第4章 近红外光谱技术及其在粮油检测中的应用进展
4.1 引言
粮油产品是保障人民日常生活的基本物质，粮油品质指标是衡量粮油质量的重要因素。我国作为粮食生产和消费大国，粮油产品既是人们膳食结构中不可或缺的组成部分，它为人体提供营养和功能成分，例如淀粉、蛋白质、含油量、脂肪酸、氨基酸、维生素、植物甾醇和多酚等，同时也是食品和饲料工业的重要基础原料，其品质和安全对人类健康有着重要的影响，消费者越来越关注粮油产品的质量安全问题［1-3］。近年来，全世界对食品安全问题的关注程度也在不断提高，农产品质量安全因此受到了高度的重视。加入世界贸易组织（WTO）后，中国的农产品走向世界的关税壁垒将逐渐被技术壁垒所取代，食品的功能性和安全性越来越受到重视；另一方面，食品生产商、政府监管部门及消费者对其品质分析手段的要求，则向着实时、快速、无损的方向进行转变。在这一背景下，新型、快捷、高效的检测技术及仪器设备已经成为这一领域的重大科技需求。随着科学技术的发展，近红外光谱技术广泛应用于粮油品质的检测。近红外光谱分析技术广泛应用于粮油产品的定性和定量分析测定，包括常规品质和特异品质检测、真实性鉴别和产地追溯等方面［4，5］。以近红外光谱为代表的无损快速检测技术得到了广泛关注，众多学者也在相关领域开展了相应的研究工作［6，7］。
4.1.1 近红外光谱的原理
19世纪，W.Herschel发现可见红光区域范围外的辐射，即近红外光谱（Near Infrared Spectroscopy，NIR）［8］。20世纪60年代，NIR分析技术开始出现，直到20世纪80年代后期才得以迅速发展［9］。近红外光介于可见光和中红外光之间，其电磁波长范围为780～2500nm，波数为12500～4000cm－1［10］。NIR的基本原理是用近红外光照射被检测的样品，并以光谱的形式记录反射或透射的辐射［11］。NIR是分子振动能级的跃迁，同时伴随转动能级跃迁而产生的泛音（频）或基本吸收带的组合带［12］。NIR记录的是分子中单个化学键基频振动的倍频和合频信息，振动信号相似，由许多宽带和重叠带组成光谱［13］。由于近红外辐射是含氢基团C—H、N—H和O—H等的倍频和合频吸收，它们是有机化合物的主要化学键，同时NIR测定符合朗伯-比尔（Lambert-Beer）定律，特定化学键决定吸收光的波长和数量，因此每种物质都有自己的红外吸收，具有独特的NIR，所以NIR可以根据不同的光谱特征进行定性和定量分析［14-16］。
4.1.2 近红外光谱的特点
与中红外光谱相比，NIR吸收带较弱，分析数据困难。自20世纪80年代起，随着近红外光谱仪器的改进和光纤的发展，对近红外光谱研究兴趣的增加，计算机技术的提高和在数据处理方面新型数学方法的发展，NIR技术也得以迅速发展［17，18］。NIR技术具有操作简单、快速、成本低、准确、不需要样品预处理等优点［19-21］。a.检测速度快。NIR分析无需样品前处理，且采集光谱仅需2min左右，可实现多个指标同步检测。b.操作简单。NIR分析技术操作简单，其主要的分析过程主要包括：NIR采集、数据预处理与农产品产地溯源模型的建立、待测样品的产地预测。模型建立后，未知样品检测仅需NIR采集，待测样品产地可由计算机自动预测。c.重现性好。NIR分析技术的稳定性好，有更好的重现性。d.无需有机试剂，绿色环保。在NIR分析技术分析过程中，不需要化学试剂和复杂的前处理，具有低成本、环保、绿色等优点。NIR技术分析过程包括以下步骤：a.采集已知样品的近红外光谱；b.采用化学计量学方法对原始光谱进行校正和预处理；c.建立和验证模型；d.预测未知样品的目标参数或表征测试样品的性质。
NIR技术也有其不足：a.NIR包含来自背景、噪声和重叠频带的干扰，从而导致变量的冗余和共线性。由于存在许多重叠的吸收带，记录反射光谱时发生不同的光散射效应，光谱信息变得复杂，缺乏分析所需的详细结构［22-24］。b.NIR技术依赖于耗时费力的校准程序，数据处理复杂［25］。c.NIR技术不适用于微量成分的分析。d.仪器之间的光学差异导致模型校准转移。为了从NIR中提取化学相关信息并将其用于构建校准模型，收集测试样品的光谱并将光谱特征与样品特征相关联，必须使用化学计量学方法，NIR分析技术与化学计量学方法相结合是实现质量控制和快速检测的重要工具［26，27］。国际化学计量学会将化学计量学定义为通过应用数学或统计方法对化学体系的测量值与体系的状态之间建立联系的学科［28］。应用数学、统计学和其他方法和手段选择最优试验设计和测量方法，并通过对测量数据的处理和解析，最大限度地获取有关物质的成分、结构及其他相关信息［29］。化学计量学分为两大类：有监督模式识别方法和无监督模式识别方法［30］。表4-1详细列举了化学计量学算法的分类。
表4-1 化学计量学算法的分类
化学计量分析包括光谱数据预处理，建立用于定性和定量分析的校准模型，以及模型转移等［18，26］。光谱数据预处理有求导、中心化、平滑、多元散射校正等方法，求导用于去除基线移位和重叠峰值的分辨率，常用的是一阶求导和二阶求导。中心化是降低直至消除一些冗余信息，从而降低样品间的相关性，增大样品之间的差异，提高模型重现性和预测能力。平滑是通过去除噪声提高近红外光谱的质量［25，26］。影响校准模型的因素有样品状态、校准集样品的代表性和化学计量学方法的选择等，模型需要定期检查和改进，以期达到模型稳定的效果［31，32］。用于校准模型的化学计量学方法有PLS、PCA、LDA、ANN和SVM等［33］。表4-2介绍了用于校准模型的化学计量学方法的特点。许多有效的化学计量学软件包用于复杂的数据计算，如SPSS、Unscrambler X、SIRIUS、SIMCA和Pirouette，其中包括PCA、PCR、PLS和SIMCA等多元数据分析的标准方法，这些软件包对个人编写程序能力要求较低，而Matlab和Minitab的设计是为了方便个人程序的编写，适用于常规定量分析［30，34］。
表4-2 用于校准模型的化学计量学方法的特点
