近红外光谱技术在食品检测中的应用研究

在当今社会，食品安全已成为关乎公众健康及社会稳定的核心要素。近年来，食品质量不合格现象频发。2023年，国家市场监管总局网站发布的第8期92批次食品抽检信息显示，有32批次（占比36.95%）存在质量问题，包括微生物超标、化学添加剂违规使用、营养成分不符等，其中氧化值、总酸、不挥发酸等指标的不合格情况尤为突出，凸显了食品安全形势的严峻性。为了保障食品安全，开发快速、无损、准确的食品检测方法至关重要。

传统的食品检测方法主要依赖化学分析、微生物培养等技术，虽然在一定程度上可以保障检测的准确性，但普遍存在操作繁琐、耗时久、预处理复杂以及难以实现无损检测等缺陷。例如，化学分析需对样品进行消解、萃取等复杂处理，易引入误差并造成样品损耗；微生物培养检测往往需耗时数天甚至数周，严重滞后于食品生产流通节奏。在这种背景下，近红外光谱技术作为极具潜力的新型分析手段，在食品检测领域崭露头角。该技术利用近红外光在中红外与可见光间特定波长范围内有机物质基团对光吸收的显著差异特性，为食品成分检测提供了新途径，具有无损、快速、操作简便等优势，可在不破坏样品的前提下迅速获取光谱信息并实现高效分析。本文深入探索了近红外光谱分析技术在食品检测领域的应用，并将其应用于小麦水分的检测，研究结果显示，该技术的检测值与食品真实值高度一致，能够显著提升食品检测的精准度。

一、在食品检测中应用近红外光谱技术的注意事项

近红外光是一种电磁波，所产生的波长多在中红外与可见光之间。近红外光谱可以分为短波区域和长波区域，这是由不同的有机物质内包含的不同基团所导致的，每个基团吸收波长后会存在明显的差异，借此可以实现食品检测。在食品检测中应用近红外光谱技术时，会经历食品近红外光谱采集、光谱数据预处理与食品检测三个关键步骤，每个步骤都有注意事项。

（一）光谱采集

1.样品制备。依据食品种类与特征收集不同成分含量的样品，确保其代表性并能反映整个批次食品的成分与特性，以制备适配光谱采集的样本。

2.选定光谱采集设备。根据食品特性，以设备精度与准确度为核心挑选合适的光谱采集设备。

3.采集光谱。在常温环境下对光谱数据进行采集，流程如下：近红外光谱仪→放置样品于光谱仪样品台→垂直照射食品样品→光谱采集。

（二）光谱数据预处理

采集过程中，干扰因素易影响光谱数据质量，导致检测偏差，故采集后需进行预处理，以保障数据的可靠性，常用方法有高斯平滑与基线校正。

高斯平滑通过合理设定窗口宽度与高斯函数参数，对光谱数据实施加权平均处理，可有效抑制高频噪声，显著提升数据平滑性，从而更精准地反映光谱特征。在采集过程中，要确定采集数据序列并设置高斯函数与标准差，窗口宽度也要确定。

基线校正旨在消除由仪器稳定性、样品物理性质等引发的基线漂移现象。常用的方法是采用多项式拟合对光谱数据的基线进行拟合，经最小二乘法确定系数后，将原始光谱数据减去拟合的基线值，得到校正后的光谱数据。

在实际操作中，综合运用上述两种方法可显著降低数据误差，为后续检测提供坚实可靠的数据基础。

（三）食品检测

经光谱数据预处理后，引入偏最小二乘法对食品近红外光谱数据特征进行分析，再依据特征提取状况构建食品成分与近红外光谱数据间的数学模型，从而实现食品检验。偏最小二乘法需要先提取分析预处理后的数据矩阵，进一步建立回归模型，从而对模型进行进一步评估与优化，然后得到均方根误差（RMSE）。该数值越小，表明模型预测值与真实值偏差越小；R2越趋近于1，说明模型对数据的拟合程度越佳，解释能力越强。借助这些指标对基于偏最小二乘法构建的模型进行评估与优化，可以有力提升模型在食品检测中的准确性与可靠性。

二、近红外光谱技术在食品检测中的具体应用

（一）水果检测

传统的检测水果品质的方法多采用物理外观与化学分析结合法，操作繁琐且耗时，利用近红外光谱技术则无需复杂的预处理。比如，检测水果中的糖分含量时，按照特定波长光谱吸收并结合数学模型便可快速、准确地得出结果；检测维生素C含量、内部病虫害情况时，通过与优质水果标准光谱进行对比，即可筛选品质不佳的产品，保障上市水果的质量。

（二）肉类检测

传统的肉类检测方法主要是微生物培养法（检测病菌）、化学分析法（检测营养成分），检测周期长且具有破坏性。近红外光谱技术则优势显著，可无损检测脂肪、蛋白质、水分等关键指标，经大量样本建模能快速、准确地得出结果，可满足肉类加工企业原料快速检测的需求。

比如，在新鲜度检测方面，该技术通过捕捉变质过程中分子结构变化引发的光谱差异判断其新鲜度，从而防止变质肉流入市场。在采集光谱时，近红外光谱可以在特定波长范围内（如1000—2500nm）对样本进行多次扫描，以确保高信噪比和高质量的光谱数据，采用反射模式光谱采集也可以减少样品表面不均匀性对检测结果造成的影响。

（三）粮食检测

近红外光谱技术基于分子振动原理，通过探测分子的振动状态和伸缩模式，可以反映食品成分的含量和结构，应用于粮食检测领域具有快速、准确、低成本、无损、易操作等优势。

以小麦为例，水分是影响其储存和加工性能的关键因素之一，借助近红外光谱技术可实时监测小麦的水分含量，确保小麦在储存和运输过程中能够维持适宜的湿度，有效防止其霉变和品质下降。

三、近红外光谱技术检测小麦水分的实验过程

本实验选用300个经传统国标法标定水分含量且浓度各异的小麦样品作为实验素材，采用长虹PV800R-V近红外光谱仪套件进行数据采集。具体参数如下：波长范围（NIR）：1350—2150nm；探测器：铟镓砷（扩展型）；分光原理：MEMS-FPI；光谱分辨率：<25nm；光谱重复性：±2nm；测量时间：<16s；光源类型：卤钨灯；功耗：4.5W。

（一）光谱采集

在常温条件下，先将准备好的小麦样品装入专门设计的配套工装件中，确保样品填满并压实，以避免样品松散或出现空隙导致的光谱采集不均匀。设计工装件时通常要考虑样品的形状、大小和密度，以确保采集到的光谱数据能够准确反映样品的特性。接着通过蓝牙，将PV800R-V光谱仪与智能移动终端连接，这种无线连接方式不仅能提高操作的便捷性，还能确保数据传输的稳定性和实时性。蓝牙连接成功后，就可以利用智能移动终端上的客户端软件控制光谱仪进行采样。客户端软件通常提供了直观的用户界面和丰富的功能选项，使得操作人员能够轻松设置采样参数，启动采样过程并实时监控采样状态。

在采样过程中，光谱仪会发射近红外光并接收样品反射回来的光谱信号，这些信号经过光谱仪的内部处理后会转化为数字数据。随后，这些数据通过无线网络被传输至样品光谱数据库中进行存储和分析。无线网络的应用使得数据可以实时传输，大大提高了实验效率和数据处理的及时性。

在光谱采集现场，操作人员需要严格按照规范进行操作，如此才能确保采集到的光谱数据具有可靠性和可比性，从而为后续的食品检测和分析提供有力的支持。

（二）光谱建模与预测能力分析

本实验总共收集了300个小麦样品，200个作训练集用于模型学习优化，100个为盲测集验证预测能力。对于采集到的光谱数据，通过数据预处理协同高斯平滑与基线校正提升数据质量，并进一步运用偏最小二乘法分析处理光谱数据。确定偏最小二乘法模型参数时，可以借助网格搜索优化策略，以全面探寻最优组合，设定参数范围后可逐一测试各组合的性能，进而选择最佳参数。模型构建完成后，运用留一法交叉验证对模型进行评估，并对盲测集的100个小麦样品进行预测，将传统国标法测定结果与近红外光谱仪预测结果进行对比分析。

交叉验证结果表明，所得光谱模型的交叉验证均方根误差（RMSECV）为0.043，模型相关系数R2为0.95，充分显示光谱模型性能优良。盲测分析结果显示，预测均方根误差（RMSEP）为0.049，与光谱模型交叉验证均方根误差（RMSECV）结果相近，有力证明了该模型对盲测集样本拥有出色的预测能力，其准确性与可靠性较高，完全能够满足小麦样品的检测需求。

综上，本文深度剖析了近红外光谱技术在食品检测领域的应用，只要在光谱采集、数据预处理、光谱建模及预测等环节按照规范操作，就可以得出准确的检测结果，且大大缩短检测时间。展望未来，随着科技的进步，近红外光谱技术在食品检测领域的应用前景十分广阔，有望成为保障食品安全的核心技术，有力推动食品行业健康发展。

基金项目：四川省区域创新合作（2023YFQ0110）。

作者简介：刘浩（1991—），男，汉族，四川资阳人，工程师，大学本科，研究方向为MEMS器件及光谱数据分析。

*通信作者：王毅（1995—），男，汉族，四川成都人，工程师，硕士研究生，研究方向为MEMS器件及光谱数据分析。