光谱分析在食品成分检测中的应用

摘 要：光谱分析技术以其快速、无损、环保等特点，在食品成分检测中得到了广泛应用。本文综述了光谱分析技术在食品成分检测中的应用现状，分析了其面临的成分鉴定分辨率不足、基质效应干扰检测、数据处理复杂等挑战，并提出了相应的对策建议，包括提升仪器分辨率、应用基质校正技术、优化数据处理算法等。通过不断优化技术手段，光谱分析技术将在食品成分检测领域发挥更大的作用，为保障食品安全提供重要技术支撑。

关键词：光谱分析；食品成分检测；基质效应

Abstract： Spectral analysis technology has been widely used in food ingredient detection due to its fast， non-destructive， and environmentally friendly characteristics. This article reviews the current application status of spectral analysis technology in food ingredient detection， analyzes the challenges it faces in ingredient identification resolution， matrix effect interference detection， and high data processing complexity， and proposes corresponding countermeasures and suggestions， including improving instrument resolution， applying matrix correction technology， optimizing data processing algorithms， etc. By continuously optimizing technical means， spectral analysis technology will play a greater role in the field of food ingredient detection， providing important technical support for ensuring food safety.

Keywords： spectral analysis; food ingredient detection; matrix effects

随着社会的发展和人们生活水平的提高，消费者对食品安全和营养品质的要求日益提升，精准、快速地检测食品成分成为保障食品安全、满足消费者需求的关键[1]。光谱分析技术以其快速、无损、环保等特点，在食品成分检测领域得到了越来越广泛的应用。

1 光谱分析技术原理及其在食品成分检测中的应用

光谱分析技术是利用物质与电磁辐射相互作用的原理，通过分析物质吸收、发射或散射光谱的特征来鉴定物质成分及含量的一类分析方法。根据电磁波频率范围的不同，光谱分析技术可分为紫外-可见光谱、红外光谱、拉曼光谱、荧光光谱以及原子吸收光谱等多种类型。

在食品成分检测中，这些光谱技术各有所长[2]。例如，在蛋白质含量测定方面，紫外-可见分光光度法利用蛋白质在280 nm处的特征吸收峰，通过比色原理实现定量分析；在脂肪酸组成分析方面，气相色谱-质谱联用技术可对脂肪酸甲酯化产物进行分离和定性定量分析；在食品中农药残留检测方面，液相色谱-串联质谱具有极高的灵敏度和选择性，可同时分析数百种农药残留。近年来，傅里叶变换红外光谱、近红外光谱、拉曼光谱等技术在食品品质与安全检测中得到越来越多的应用[3]。这些技术无须对样品进行复杂的前处理，可实现多组分同时快速分析，极大地提高了检测效率。

2 食品成分检测的主要内容及指标

食品成分检测是确保食品质量安全、满足消费者营养需求的重要手段，其检测内容涵盖多个方面，包括宏量营养素、微量营养素、食品添加剂、污染物等。①在宏量营养素方面，主要检测指标有水分、蛋白质、脂肪、碳水化合物和灰分等，这些指标的测定对于评估食品的基本营养价值和品质属性至关重要。②微量营养素，如维生素和矿物质虽然含量较低，但对人体健康却不可或缺。常见的检测指标包括维生素A、维生素C、维生素E、B族维生素、钙、铁、锌和硒等。③食品添加剂是现代食品工业中广泛使用的一类物质，其检测对于保障食品安全和消费者权益非常重要，常见的食品添加剂检测指标包括防腐剂、抗氧化剂、着色剂和甜味剂等。④食品中还可能存在农药残留、兽药残留、重金属、塑化剂等污染物，这些指标的控制关乎食品安全和消费者健康[4]。

3 光谱分析技术在食品成分检测中的应用挑战

3.1 成分鉴定分辨率不足

成分鉴定分辨率不足是光谱分析技术检测食品成分过程中面临的一大挑战。食品中常含有数以千计的化合物，其中许多成分的光谱特征相似，导致光谱峰重叠，难以实现准确识别和定量。以植物源性食品中的多酚类化合物为例，其结构相似性高，如黄酮类化合物桑色素和槲皮素在紫外-可见光谱上表现出相似的吸收峰形，仅凭光谱信息难以区分。类似地，茶多酚中的儿茶素类化合物，如表儿茶素没食子酸酯和表儿茶素的紫外-可见光谱在275 nm附近均有较强吸收，且峰形相似，难以直接定性[5]。尽管联用技术（如液相色谱-质谱）可在一定程度上提高分离和鉴定能力，但对于结构高度相似的同分异构体，如质谱裂解特征相似的反式-阿魏酸和反式-亚油酸，仍难以区分。光谱分辨率的局限也影响了食品掺伪检测的准确性。以常见的以次充好掺伪现象为例，低档橄榄油掺入花生油，其主要脂肪酸的组成和红外光谱特征相似，难以直接识别。

3.2 基质效应干扰检测

基质效应的干扰是光谱分析技术在食品成分检测中的另一个普遍性难题。不同食品基质的理化性质差异显著，当目标分析物与基质成分相互作用时，可能导致光谱信号发生变化，进而影响检测的准确性和重现性。以多环芳烃类污染物检测为例，其在不同食品基质中的响应信号差异明显：荧光光谱分析中，花生酱等脂质含量高的基质会产生较强的背景荧光，导致目标分析物信号被掩盖；而巧克力等可可制品中的黄烷醇类物质会导致多环芳烃类污染物的荧光猝灭，造成检测结果偏低。在农药残留检测领域，不同蔬果基质中的色素、蜡质等成分会影响农药在提取溶剂中的分配，进而影响检测结果的准确性。

3.3 数据处理复杂

现代光谱分析仪器的高通量、高灵敏度特性使得获得的光谱数据量极为庞大，且光谱信息复杂，常伴有基线漂移、背景噪声等干扰因素。如何从海量的光谱数据中准确提取有效的化学计量学信息，建立稳健可靠的定量模型，是一个亟待攻克的难题。以近红外光谱分析为例，一个样品的光谱数据可包含成百上千个波长变量，而实际建模所用到的特征变量往往很少。因此，需要采用主成分分析（Principal Component Analysis，PCA）、偏最小二乘法（Partial Least Squares，PLS）等化学计量学方法对高维光谱数据进行降维处理，筛选出最具代表性的特征变量。但是，食品基质复杂多变，光谱数据受到散射、吸收等因素的影响，导致不同批次样品间的光谱特征差异明显，建立“一把尺子量到底”的通用模型难度很大。此外，光谱数据的可解释性也面临挑战[1]。机器学习算法，如支持向量机（Support Vector Machine，SVM）、随机森林等能够建立较好的定量模型，但其“黑箱”特性导致模型解释性差，难以阐明光谱特征与食品理化性质之间的内在联系。

4 提高光谱分析在食品成分检测中应用效能的对策

4.1 提升仪器分辨率

光谱分析技术在食品成分检测中的分辨率不足是制约其广泛应用的一大瓶颈。针对植物源性食品中结构相似的多酚类化合物，如黄酮类化合物桑色素和槲皮素在紫外-可见光谱上峰形相似、难以直接区分的问题，可优化液相色谱梯度洗脱条件，采用C18反相色谱柱与紫外检测器联用，在二维色谱中实现不同化合物的有效分离，再辅以光谱信息对分离的色谱峰进行定性分析，从而大幅提升检测的专一性。对于传统紫外检测难以区分茶多酚中结构高度相似的儿茶素类化合物表儿茶素没食子酸酯和表儿茶素的局限，可考虑引入高分辨质谱技术，通过精确质荷比（m/z）信息实现这些异构体的精准鉴定。同时，优化碰撞能量、扫描模式等质谱参数，可进一步提升对难区分的同分异构体的定性能力。在油脂掺伪检测领域，针对低档油脂掺入高档油脂后红外光谱特征相似、难以直接定性的问题，可采用固相微萃取技术富集油脂中的特征性微量成分，再结合气相色谱-质谱进行分析，以菜籽油中芥酸、花生油中花生酸等特征性脂肪酸的存在与否为判别依据，从而实现掺伪油脂的精准溯源。

4.2 应用基质校正技术

针对不同食品基质的理化性质差异导致的光谱响应变化，可采用基质校正技术消除此类干扰。

标准加入法是一种可有效消除基质效应的策略，通过在待测样品中加入不同浓度的目标分析物标准品，建立多点校正曲线，可在一定程度上抵消基质背景的影响。例如，在检测牛奶中黄曲霉毒素M1时，蛋白、脂肪等成分会对毒素的光谱信号产生干扰。采用标准加入法，在相同基质背景下获得不同浓度水平的黄曲霉毒素M1光谱，可大幅提升检测的线性范围和准确度。

同位素稀释技术是消除基质效应的另一有力工具，通过向样品中加入同位素标记的目标分析物，再采用质谱检测同位素信号比，可实现对基质效应的有效校正。这一方法在农药残留、兽药残留等痕量分析领域具有明显优势。例如，在检测蜂蜜中的氯霉素残留时，基质中复杂的糖类、蛋白质等成分会严重抑制氯霉素的电喷雾离子化效率。引入氘代氯霉素作为内标，可有效校正基质效应引起的信号衰减。

基质匹配校准是提高光谱分析准确性的另一重要策略，通过选择与待测样品基质特性相近的标准物质，配制与样品基质背景一致的校准系列，可最大限度地减少基质效应的影响，这在固体样品的近红外光谱分析中尤为关键。例如，在分析小麦粉中蛋白质含量时，不同品种、不同产地的小麦粉理化特性差异显著，直接采用水溶液校准会导致严重的系统误差，而选用不同蛋白质水平的小麦粉基质配制校准样品，获得的定量模型将更具健壮性和实用性。

4.3 优化数据处理算法

光谱数据中含有丰富的化学计量学信息，但受制于数据维度高、变量相关性强等特点，直接从原始光谱中提取有效信息难度很大，优化数据处理算法是破解这一难题的关键。

变量筛选是降低数据复杂性的重要途径，通过计算各波长变量与目标响应值之间的相关性，并结合化学分析经验，筛选出对定量模型贡献最大的特征波长，可有效降低数据维度，提高模型的健壮性和解释性。例如，在牛肉新鲜度评价中，全波段近红外光谱包含大量与牛肉品质无关的冗余信息。应用连续投影算法（Successive Projection Algorithm，SPA）从1 000余个波长变量中优选出18个关键波长，并结合SVM建立判别模型，可实现牛肉新鲜度的快速无损评价[2]。对于光谱基线漂移、散射等干扰因素引起的非线性效应，多元散射校正（Multiple Scattering Correction，MSC）、标准正态变量（Standard Normal Variate，SNV）交换等数据预处理方法可发挥重要作用。例如，在分析乳粉中蛋白质含量时，由于乳粉颗粒的不均匀性，近红外光谱存在明显的散射效应。采用MSC后，光谱基线漂移得到有效消除，建立的PLS定量模型性能显著改善。

多区域建模策略也是提升光谱分析适用性的有效途径。不同批次、产地的样品光谱特征往往存在较大差异，采用单一定量模型难以满足检测要求。采用PCA、K-均值聚类等聚类算法，根据样品光谱的相似性将其划分为若干子集，再在各子集内分别建立定量模型，可有效提升模型在外部样品中的预测能力，这在茶叶品质评价、果蔬产地溯源等领域已有成功应用[4]。

5 结语

本文综述了光谱分析技术在食品成分检测中的应用现状，分析了其面临的挑战，并提出了相应的对策建议。研究表明，通过提升仪器分辨率、应用基质校正技术、优化数据处理算法等措施，可以有效提高光谱分析技术在食品成分检测中的应用效能。

参考文献

[1]梁爽，李斌，朱君，等.光谱分析技术用于畜禽养殖粪污成分检测的研究进展[J].中国奶牛，2024（3）：50-55.

[2]吴静珠，李晓琪，孙丽娟，等.太赫兹时域光谱及成像技术在农作物品质检测中的应用研究进展[J].光谱学与光谱分析，2022，42（2）：358-367.

[3]周粲入，王哲涛，杨思危，等.化学计量学和深度学习方法在拉曼光谱处理方面的应用研究进展[J].分析化学，2023（8）：1232-1242.

[4]黄积微，李洋，袁迪，等.基于便携式近红外光谱仪的蓝莓热风干燥过程模型的建立[J].食品与发酵工业， 2023， 49（16）：283-290.

[5]刘树林，王猛，李安，等.高精度煤质成分快速定量分析LIBS系统研究[J].光学精密工程，2024，32（10）：1470-1480.

作者简介：高鑫（1991—），女，山东青岛人，硕士，工程师。研究方向：生物工程。