李 河，林勤保，2，* ，郭 捷，王蓉珍，張 林

(1.山西大學應用化學研究所，山西太原030006;2.暨南大學包裝工程研究所，廣東珠海519070;3.山西省分析科學研究院，山西太原030006)

隨著社會的發(fā)展，人們的生活水平有了很大提高，同時，隨著食品種類和銷售范圍的擴大，食品安全問題也日益突出，為大家重點關注。為了提高液態(tài)食品檢測的安全可靠性，客觀性，檢測結果的準確性，降低人為差異，國內外研究人員利用色譜法、電化學分析法等對液態(tài)食品成分進行分析。然而這類儀器一般有較昂貴，操作耗時且需要對食品進行前處理，破壞食品成分等缺點。從而限制了它們的推廣和應用范圍?；瘜W計量方法是綜合使用數學、統(tǒng)計學和計算機科學的方法從化學量測的數據中提取信息的方法，近紅外光譜結合化學計量法分析技術，作為一種快速無損的檢測技術，具有無需樣品前處理，測試過程迅速，可通過光纖實現遠距離測量，在線檢測等優(yōu)點，在液態(tài)食品安全檢測［1-3］，真?zhèn)舞b別［4-5］中已被越來越多的人利用。目前，近紅外光譜技術在國際上已經得到了廣泛的發(fā)展，國內起步較晚，雖然取得了一定的成就但還有待進一步發(fā)展。

1 近紅外光譜檢測的理論基礎以及常用的化學計量學方法

1.1 理論基礎

1.1.1 分子振動與紅外光譜 紅外光譜屬于分子吸收光譜，即物質在紅外光譜區(qū)的吸收主要是由于分子振動狀態(tài)的變化或者按量子的觀點是分子的振動狀態(tài)在不同振動能級之間的躍遷而形成的。

習慣上，往往把紅外區(qū)分為三個區(qū)域。波長780～2500nm 的區(qū)域稱作近紅外區(qū)。波長2500～25000nm的區(qū)域稱作中紅外區(qū)，絕大多數有機化合物和無機化合物的化學鍵振動的基頻均在此區(qū)域出現。中紅外光譜區(qū)與分子的基頻頻率相一致，而近紅外光譜區(qū)與分子的倍頻、合頻振動頻率相一致［6］。

1.1.2 Beer-Lambert 定律 紅外吸收光譜定量分析是根據樣品對某一譜區(qū)光吸收強度與吸光粒子(低能態(tài)的分子或原子)之間的關系，并考慮到樣品中吸光粒子數與樣品粒子總數的關系來定量的。吸收光譜定量的基礎是比爾- 朗伯定律(Beer- Lambert Law)，該定律說明:當一束平行光的單色光通過樣品時，樣品的吸光度與樣品的濃度和厚度的乘積成正比。這使得利用透射光得出溶液濃度信息成為可能，因此它是紅外分光光度法定量分析的依據［6-7］。

1.2 近紅外光譜技術常用的化學計量法

1.2.1 多元線性回歸(MLR) 多元線性回歸方法的基礎是Beer-Lambert 定律，是指濃度集與光譜集通過回歸系數矩陣，建立的線性回歸模型。在MLR 中只要知道樣品中某些成分的濃度，就可以建立其度量模型，唯一的要求就是選擇好對應于被測成分的特征吸收光譜。MLR 要求參與回歸的變量數不能超過樣本數，適用于線性關系特別好的簡單體系。如果光譜集中的光譜強度在某些波長處往往成比例，就會產生多重相關性問題;如果使用的變量包含了過多噪聲，容易導致模型的過擬合。這些都限制了MLR 方法不能使用太多的變量參與回歸。因此，MLR 的重要任務就是如何選擇參加回歸的變量，逐步多元線性回歸就是為解決這個問題而發(fā)展的方法。但在實際應用中，從幾百個甚至上千個波長變量中篩選十幾個變量，其工作量非常大［6-8］。

1.2.2 主成分回歸法(PCR) 主成分回歸的核心是主成分分析(PCA)，是把多個指標化為少數幾個綜合指標的一種統(tǒng)計分析方法。PCA 的中心目的是將數據降維，將原變量進行轉換，使少數幾個新變量是原變量的線性組合，同時這些變量要盡可能多地表征元變量的數據特征而不丟失信息。選取主成分的個數取決于主成分的累計貢獻率，通常使累計貢獻率大于95%所需的主成分數代表原始變量的絕大部分信息［9］。

在主成分分析中，合理確定參見建立模型的主成分數是關鍵。最常用的方法是交互驗證(Cross Validation)，依據是預測殘差平方和(PRESS)。PRESS 值越小，說明模型的預測能力越好。一般用預測殘差平方和值對主成分數目作圖，確立最佳主成分數［6］。

1.2.3 偏最小二乘法(PLS) 偏最小二乘法目前作為一種數據線性分析方法也應用較多，它既可處理回歸分析問題，又可處理模式識別判別分析問題。它能同時對濃度集和光譜集做分解，消除其中無用的信息，并在分解時考慮了兩者之間的關系，加強了對應的計算關系。偏最小二乘法是多元線性回歸、典型相關分析、主成分分析的完美結合。因此，它成為了在近紅外光譜分析中應用最廣泛的方法之一［9］。

1.2.4Soft Independent Modeling of Class Analogy(SIMCA) SIMCA 模式識別方法首先針對每一類樣品的光譜數據矩陣進行主成分分析(PCA)，在主成分空間下，計算各類類內、類間的馬氏距離，建立主成分回歸類模型，并用建好的模型判斷已知類的樣品，來檢驗模型的好壞，模型建立的好壞用識別率和拒絕率來表示。然后依據該模型對未知樣品進行分類，即分別試探將該未知樣本與各樣本的類模型進行擬合，以確定未知樣本類別［10］。

1.2.5 人工神經網絡法(ANN) 人工神經網絡(ANN)可解決連續(xù)非線性函數的逼近，其中反向傳播(BP)算法是采用最多也是最成熟的神經網絡訓練算法之一。將主成分分析(PCA)和人工神經網絡技術相結合，在研究基于近紅外光譜技術對農產品品種鑒別和組分分析上得到了廣泛應用。但BP 人工神經網絡存在著易陷于局部最小和收斂速度慢等弱點，小波神經網絡算法(Wavelet neural network，WNN)綜合了小波多尺度分析和神經網絡自學習的優(yōu)點，因而具有比傳統(tǒng)神經網絡更快的收斂速度和更強的逼近性能［9］。

1.2.6 支持向量機(SVM) 支持向量機(SVM)是一種基于統(tǒng)計學習理論的新的機器學習方法，根據有限樣本信息在模型的復雜性和學習能力之間尋求最佳折中，通過將低維非線性的輸入映射到高維線性的輸出，以期獲得最好的推廣能力。能較好地解決小樣本、過學習、非線性、高維數和局部極小點等實際問題。但支持向量機沒有該函數的選用標準和在給定樣本下如何選擇其最優(yōu)結構參數的方法和理論，最優(yōu)支持向量機(SVM)算法參數選擇只能是憑借經驗、實驗對比或是大范圍的搜索［10］。

2 近紅外光譜技術在液態(tài)食品中的研究進展

2.1 在食用油類上的應用

近紅外在食用油類上的應用主要分為兩類，一類是定性分析，包括食用油種類的鑒別，真假食用油的快速鑒別等;這一類分析主要采用聚類、主成分、支持向量機等方法，定性將食用油按產地、來源等分成幾類，其中以地溝油、摻偽油的鑒別最有社會意義。另一類是定量檢測，包括食用油中主要成分，如各種脂肪酸類，摻偽物含量等快速檢測。多數這一類檢測研究表明，食用油中脂肪酸含量［11-13］、過氧化值［14］、摻偽油含量［15-16］的真值與預測值呈現良好的線性關系。

早在2001 年，Steuer 等［17］就利用近紅外技術結合PCA 和多元統(tǒng)計手段，對柚子、橙、柑橘、檸檬和酸橙等水果精制的精油的主要成分進行了檢測研究，為快速檢測食用油中的主要成分提供了新方法。饒玉蘭等［18］利用近紅外技術分別建立了花生油中酸度的DPLS 定性和PLS 定量分析模型。其中定量模型的決定系數(coefficient of determination)R2=0.9725，交叉驗證的平方差(square error of cross-validation)SECV =0.308。定性模型可以根據花生油中酸度值的不同而合理分類。

吳靜珠等［19］應用近紅外光譜分析技術分別建立了快速鑒別純橄欖-芝麻-花生油定性識別模型，并建立了測定食用植物油中棕櫚酸、硬脂酸、油酸3 種主要脂肪酸含量的近紅外定量分析模型。詳細討論了定性的聚類分析方法，最終采用average-linkage 聚類法。2011 年，該課題組基于近紅外光譜的純花生油摻偽快速鑒別方法，通過SVM 技術建立了純花生油摻偽鑒別模型［20］。同年，他們又采用CARS 法選取了合適的波長變量，建立PLS 檢測油中棕櫚酸、硬脂酸、油酸、亞麻酸的模型，結果優(yōu)于未經優(yōu)化的PLS 模型［13］。2012 年，該課題組研究了3 種光譜分辨率的選取對食用油近紅外模型的影響，發(fā)現基于16cm-1建立的模型指標優(yōu)于4cm-1和8cm-1所建的模型［21］。

周志琴等［22-23］利用傅里葉變換近紅外光譜(FTNIR)結合二維相關分析技術，分析鑒別了幾種不同種類的食用植物油。對花生油、大豆油、菜籽油、芝麻油、油茶籽油和橄欖油，在溫度撓動(50～160℃)狀態(tài)下的動態(tài)光譜進行二維相關分析，實驗證明6 種食用植物油隨著溫度升高，在5500～6000cm-1波段范圍內建立的二維相關近紅外譜圖差異比較明顯，憑借二維相關譜圖上的自動峰和交叉峰可直觀地鑒別不同種類的食用植物油。謝夢圓等［24］通過對地溝油和食用植物油近紅外吸收光譜的研究，發(fā)現光譜經過基于基線校正和一階導數的預處理后，食用植物油的885nm 光譜強度值與897nm 光譜強度值之比大于1.4，地溝油則小于1.1，利用這個比值差異，可以區(qū)分這兩類油;在2430～2445nm 和2465～2485nm 兩個波段，食用植物油有明顯的峰值，而地溝油則沒有峰值。實驗表明，近紅外光譜可以用于分辨地溝油和食用植物油。

2.2 在酒類產品上的應用

近紅外技術在酒類產品上的研究較早，范圍也較廣。這類研究不僅集中在就產地、品牌的鑒別，酒中成分參數、金屬元素等主要成分的快速檢測上，還有大量研究已經輻射到定性分析和定量檢測模型的優(yōu)化，光譜的處理，溫度等環(huán)境條件對酒產品的影響，以及酒在發(fā)酵過程中各種參數的變化等方面。

2003 年以來，澳大利亞酒檢測中心的Cozzolino等進行了大量的可見/近紅外光譜分析技術在酒品質檢測中的應用實驗研究。他們利用可見/近紅外光譜技術結合化學計量學的PCA、PCR、PLS 回歸等方法，對澳大利亞市售的兩種(霞多麗和雷司令)不同來源的葡萄酒進行了鑒別分析［25］。結果良好，但作者認為數據選取的不完全可能導致方法不具推廣性。2004 年，又利用近紅外光譜技術結合PLS 建立了紅葡萄酒中的有色聚合體、三甲聚合體和單寧酸三個成分濃度含量的預測模型。結果顯示，模型的預測值和利用高效液相色譜的檢測值有較好的一致性［26］。2005 年，該課題組研究了澳大利亞霞多麗和雷司令兩種白葡萄酒的感官評價和近紅外光譜分析之間的關系，并建立了近紅外光譜信息與酒感官評價關系的數據模型，可以進行不同類型葡萄酒的感官評價［27］。2007 年，他們研究了溫度變化對酒的可見/近紅外光譜和相應的確定化學組成成分計量模型的影響。結果顯示由于O-H 鍵的存在使得光譜圖像在波長970nm 和1400nm 處有差異，PLS 的交互驗證標準差隨溫度的增大而減少。該研究說明利用1mm 光程長來分析酒的品質，最適宜的溫度應該在30～35℃之間［28］。2008 年，又利用可見光/近紅外光譜技術結合PLS 回歸與交叉驗證的方法，對葡萄酒中的金屬元素進行了分析［29］。模型預測結果利用電感耦合等離子體質譜進行驗證，認為K、Mg 的預測結果是可靠的，Ca、P 較可靠，Fe、Mn、B、Na 則是不可靠的。該文獻提出了近紅外技術在定量分析中的模型預測結果判定的驗證指標問題，并認為需要采集更大的數據集對模型進行校準，才適用于定量分析。2011 年，他們再次利用上述方法定量分析了葡萄勻漿中的礦物質和電導率。R2和SECV 說明，葡萄漿果中的礦物質和電導率可以利用近紅外光譜檢測［30］。同年，利用中紅外衰減全反射(ATR-MIR)技術結合PLS 回歸，對葡萄酒中的成分參數(包括乙醇、比重、揮發(fā)性酸、葡萄糖+果糖、pH、滴定酸度)進行了可行性研究［31］。結果較滿意，該技術大大縮短了測量時間，并為液態(tài)食品中多組分同時測定提供了借鑒方法。并于同年利用紫外、可見光、近紅外、中紅外技術結合多元數據分析對來自澳大利亞和新西蘭的葡萄酒進行了地域分類［32］。該實驗引入了SIMCA 的模型分類方法。結果表明，中紅外光譜更適用于酒的分類。2012 年，該課題組利用近紅外、中紅外技術區(qū)分乳酸發(fā)酵后不同酒球菌產生的酒的可行性研究，并對這兩種方法進行了比較［33］。

2004 年，西班牙科爾多瓦大學分析化學系Cuadrado 等［34］利用近紅外光譜技術和多元分析手段對不同類型葡萄酒中的15 個參數進行了分析，采用PLS 回歸和交互驗證的多元分析手段建立了光譜模型，其中酒精度、質量密度、總酸度、pH、甘油含量、乳酸、色度和總酚類物質等主要成分的判別系數較高，均高于0.8;其他像有機酸、揮發(fā)酸、還原糖和總二氧化硫等由于酒中含量少判別系數較低。綜合看來，該技術可以用于酒中主要參數的快速檢測。2005年，他們利用傅里葉變換中紅外光譜對酒中參數進行了檢測，與近紅外對比發(fā)現，近紅外的結果更準確，將兩項技術的光譜區(qū)域結合起來提高了甘油和總二氧化硫的檢測精度［35］。

此外，L Liu 等［36］采用近紅外技術和化學計量手段對來自不同國家的雷司令葡萄酒進行了初步的分類研究，分別建立基于PCA 降維的PLS-DA、逐步線性判別(SLDA)模型，比較得出PLS-DA 的效果較好。作者認為此方法推廣的前提是建立大量數據樣本的模型。Burattia 等［37］利用近紅外/中紅外結合電子舌、電子鼻技術對發(fā)酵中的酒精進行了檢測研究。結果表明，紅外光譜技術可以有效檢測到葡萄酒發(fā)酵中的分子變化，而電子鼻和電子舌可以檢測到味道、香氣的變化。Garde-Cerdán 等［38］利用近紅外技術結合PLS 回歸法建立了測定中年紅葡萄酒中的苯甲醚和光環(huán)酚含量的模型，獲得了滿意的校準結果。Cándida Lorenzo 等［39］利用近紅外技術建立PLS 模型測定了老年紅葡萄酒中的揮發(fā)性成分。結果選取GC-MS 定量方法標定，研究得出該技術在檢測酒中的揮發(fā)性成分方面具有可行性。

陳燕清等［40］利用小波變換-可見/近紅外技術分別建立了鑒別料酒樣品的PLS、徑向基人工神經網絡(RBF-ANN)和Fisher 線性判別(LDA)三個模型，結果三個判別模型對品牌料酒鑒別的準確率均達到100%。該技術的新意在于利用小波變換技術對光譜信號進行了去噪和壓縮處理，并采用Fisher 權重法計算了16 個小波細節(jié)系數的Fisher 權重。以16 個小波細節(jié)系數為特征變量采用向量相似度法對三種不同品牌料酒進行了相似度分析。

2.3 在蜂蜜、果汁和飲料制品上的應用

這幾方面國內研究成果較多。中國農業(yè)科學研究院蜜蜂研究所利用近紅外技術對蜂蜜真?zhèn)舞b別和含量檢測做了大量研究［41］。2008 年以來，陳蘭珍等［42］提出了一種用傅里葉變換近紅外光譜結合判別偏最小二乘法(DPLS)快速鑒別蜂蜜真?zhèn)蔚男路椒?。利用傅里葉變換近紅外光譜結合PCA 和ANN 建立了蜂蜜品種鑒別模型。2011 年，利用近紅外技術結合化學計量學手段，測定了中國假蜂蜜中摻入的高果糖玉米糖漿，并構建了DPLS 模型［43］。結果表明，摻假蜂蜜可以被快速鑒別出來。2012 年，基于近紅外光譜，馬氏距離判別分析(MD-DA)和BP-ANN 方法，對不同花卉起源的蜂蜜進行了研究分類，發(fā)現BP-ANN 判別正確率超過MD-DA，說明蜂蜜花起源與光譜分類更接近非線性關系［44］。在研究蜂蜜真?zhèn)?、品種鑒別的同時，利用傅立葉變換近紅外光譜技術結合PLS，建立了蜂蜜中果糖［45］、還原糖［46］含量的近紅外光譜數學模型。結果表明糖類的含量值與模型預測值線性相關，且還原糖的測定結果優(yōu)于果糖，文獻研究了樣本中還原糖含量成正態(tài)分布，有一定代表性。鐘艷萍等［47］利用近紅外光譜結合一階導、散射校正及變量標準化三種方法對光譜進行預處理，以PCA 結合MD-DA 法，在不同譜區(qū)建立蜂蜜品種及真?zhèn)味ㄐ澡b別模型。研究發(fā)現6100～5700cm-1譜區(qū)為最佳建模波段，品種判別、真?zhèn)舞b別正確率分別為90%、93.10%。

中南林業(yè)科技大學、中南大學隆平分院和湖南省食品測試分析中心也對蜂蜜的研究做了不少的工作。2009 年，張欣等［48］基于多元散射校正/偏最小二乘(MSC/PLS)方法，利用傅里葉變換近紅外光譜技術，建立了檢測蜂蜜中還原糖含量的模型。該實驗選用SN/T0852-2000 鐵氰化鉀滴定法作為光譜還原糖測定的標定方法，結果優(yōu)于經典的PLS 算法模型。李水芳等［49］利用近紅外光譜法對蜂蜜用麥芽糖漿摻假進行了研究。同時結合濾波后光譜信息，分別用RBF-ANN 和偏最小二乘-線性判別分析(PLSLDA)建立了蘋果蜜產地和油菜蜜產地的判別模型［50］。研究得出，小波變換(WT)結合線性的PLSLDA 建模比WT 結合非線性的RBF-ANN 建模更適于蜂蜜產地判別。2011 年，張欣［51］采用近紅外光譜技術對蜂蜜中果糖、葡萄糖、蔗糖和麥芽糖含量檢測進行了詳細研究，并建立了真假蜂蜜定性判別和定量分析模型。結果表明，近紅外光譜技術滿足蜂蜜檢測質量控制需求，適用于蜂蜜還原糖、果糖、葡萄糖、蔗糖和麥芽糖含量的檢測。光譜小波變換算法處理后，可以縮短建模用時;RBF-ANN 模型優(yōu)于BP-ANN，當摻加量大于5%時，近紅外光譜能夠準確檢測出蜂蜜摻假;拉曼光譜技術可以快速分析蜂蜜中果糖和葡萄糖的含量，對于蔗糖和麥芽糖的研究有待進一步研究優(yōu)化。朱向榮等［52］利用近紅外技術結合化學計量學，建立了LS-SVM、SVM、BPANN、LAD、K-近鄰(KNN)5 種分類模型，來鑒別蜂蜜中可能摻假的諸如甜味素類的物質，結果發(fā)現，小波變換的降維效果優(yōu)于PCA，5 種模型以LS-SVM 效果最佳。

盡管國內外研究成果不少，但范圍比較集中。多數研究集中在蜂蜜、飲料產地、品牌的鑒別，真假蜂蜜的鑒別以及蜂蜜、飲料中糖類、酸類物質和摻假物質含量的檢測等方面。多數研究表明:蜂蜜產地、品種，飲料品牌與光譜信息更接近非線性關系，而這一類食品中糖類、酸類物質含量與光譜信息則接近線性關系，然而吳桂芳等［53］研究發(fā)現，葡萄漿果中糖度與光譜呈非線性關系，作者沒有分析與其他研究結果不同的原因。Janik 等［54］選取了3134 種紅葡萄勻漿對其中總花色苷進行了詳細的研究，結果發(fā)現結合PLS 縮減數據能力和ANN 非線性建模能力，模型的效果更準確，縮短了建模耗時。研究還發(fā)現小波變換(WT)降維能力優(yōu)于主成分分析(PCA)，競爭自適應重加權采樣(CARS)可以有效的提取特征變量。

2.4 在奶制品方面的應用

奶制品的研究范圍囊括了牛奶、純羊奶、生鮮乳、酸奶等，研究發(fā)現，真?zhèn)?、摻偽奶制品，奶制品品種的鑒別適用于非線性模型，對奶制品中脂肪、乳糖等含量的測定符合非線性模型，而蛋白質含量的測定則符合線性模型。

法國國家農藝研究院Coppa 等［55］利用近紅外反射光譜技術建立了PLS 模型對牛奶中的脂肪酸進行預測。實驗選取氣相色譜法對脂肪酸進行標定，結果表明:模型對牛奶中的飽和脂肪酸，單不飽和脂肪酸，不飽和脂肪酸，反式脂肪酸，己酸，癸酸，月桂酸，肉豆蔻酸，棕櫚酸和油酸的相關系數很好，對多不飽和脂肪酸，硬脂酸等較好，對亞麻酸，亞油酸等相關性較差。Melfsen 等［56］利用漫反射模式下(851 ～1649nm)的近紅外技術對非均質牛奶中的脂肪、蛋白質、乳糖和尿素進行了檢測。結果顯示牛奶中脂肪、蛋白質的模型相關性非常好，乳糖較好，尿素則較差。實驗說明近紅外技術測定牛奶中主要成分的可能性。

江西省分析測試中心聯合南昌大學食品科學與技術國家重點實驗室利用近紅外光譜技術對鮮乳和摻假乳的鑒別以及鮮乳中成分的測定做了較多的研究。劉波平等［57-58］利用近紅外光譜技術，分別基于PLS-ANN 聯用、PLS-模式識別對鮮乳和摻有植物奶油的牛乳建立了識別模型，并建立了植物奶油摻假量的定量檢測PLS 模型。方法詳細討論了算法的參數選擇、模型的優(yōu)化等，包容性較好;也詳細研究了光譜波段、主成分因子、光譜預處理方法的選擇，具有借鑒性?；赑LS 和BP-ANN 建立了鮮乳中脂肪、蛋白質、乳糖、牛乳總固體4 種主成分含量的預測校正模型［59］。研究表明，鮮乳中蛋白質含量的測定采用偏最小二乘法降維后，建立神經網絡模型更準確，這可能是因為鮮乳與一般牛奶中蛋白質成分不同有關，目前未見相關分析。榮菡等［60］基于Elman網絡近紅外光譜技術建立了鮮乳中脂肪、蛋白質、乳糖的定量分析模型。

褚瑩等［61］以近紅外光譜技術為基礎，采用PCA-多層感知器神經網絡(MLP-ANN)以及PLS 分別對純山羊奶和摻有奶油、還原奶的兩類摻假山羊奶進行定性和定量研究。結果表明，摻假奶油、還原奶的預測值與真值有良好的線性相關性。2012 年，分別基于PLS-DA、fisher 線性判別、MLP-ANN 建立快速無損鑒別摻假羊奶的校正模型并進行檢驗驗證［62］。結果比較說明，MLP-ANN 的鑒別效果最好。

何彬［63］詳細研究了基于紅外光譜技術結合多種化學計量學手段的牛奶摻雜判別方法。以純牛奶和摻有不同濃度的尿素、葡萄糖和三聚氰胺的牛奶為樣品，通過化學計量學方法結合模式識別的方法分別建立了基于SIMCA、Bayes 判別法和PLS-DA 的定性判別模型，結果表明，三種判別模型中PLS-DA 對牛奶摻雜與否的判別效果最佳。因此，利用紅外光譜和PLS-DA 分析方法可以快速判別牛奶中是否摻雜異物，并且可以判定摻雜物的類型。王云等［64］研究了近紅外光譜法在牛奶主要成分分析中的應用，重點對比了不同近紅外區(qū)域的檢測結果。利用PLS建立校正模型，探討了不同光譜區(qū)域和數據預處理對模型準確性的影響。模型結果表明在長波段(1700～2500nm)檢測牛奶中脂肪及蛋白質含量的準確性最高。

表1 國內外利用近紅外光譜技術在食醋等調味品上應用的研究進展Table 1 Advances of Near Infrared Spectroscopy’s application in fruit juices，vinegar at home and abroad

徐楠［65］利用通用掃描式近紅外光譜儀測量了多種品牌、不同批次牛奶樣品的短波近紅外光譜，同時采用國家標準方法準確測定了樣品的主要成分含量值;分別建立并驗證了牛奶各主要成分的PLS 定量校正模型。優(yōu)化后的模型對預測集樣品的脂肪、蛋白質和乳糖三種主要成分含量的預測準確度良好。

2.5 在食醋等調味品方面的應用

鑒于我國食醋產業(yè)的悠久歷史，利用近紅外技術在食醋等調味品上的研究，國內成果較多(見表1)。研究發(fā)現，食醋的品牌、產地與光譜信息接近非線性關系，食醋中的總酸、揮發(fā)酸含量與光譜信息接近線性關系，還原糖含量與光譜信息接近非線性關系。然而文獻［72］則認為食醋總酸含量與光譜信息更適合非線性關系。文獻［80］利用近紅外技術測定了食醋中有害成分(苯甲酸)的含量，這為近紅外技術測定食醋中添加劑含量、包裝中有害物質遷移量提供了思路指導和方法參考。

在食醋檢測上，尚未見以下方面的報道:食醋中多種添加劑含量的同時檢測;釀造醋和勾兌醋的快速鑒別;選擇食醋中的代表性指標研究存放時間、溫度及其他貯存環(huán)境對食醋品質的影響;結合工業(yè)上機械化作用，利用近紅外技術對食醋釀造生產過程實行在線全程監(jiān)測。

3 存在問題及研究展望

從國內外的研究來看，近紅外技術在液態(tài)食品檢測上取得了顯著進展，但也存在一些普遍共性的問題:

相當部分文獻建立檢測或者鑒別模型時，所選取的數據量較少，不符合模型的統(tǒng)計學基礎，因此建立的模型也不具有代表性，很容易因為樣品的變化而使得模型不可用。實驗建模時應該選取大量的數據，樣品量應該在200 以上。

大部分研究都集中在液態(tài)食品的真?zhèn)舞b別、品種分類、物化指標和主要可溶性含量檢測上，且多數是單一組分測定，而對其香氣成分、添加劑成分、包裝遷移物的快速檢測、多種成分同時檢測等則很少見報道。

液態(tài)食品容易受外界環(huán)境的影響，由此導致其中成分的變化會引起光譜信息發(fā)生改變，對液態(tài)食品的貯存時間、貯存溫度等外界環(huán)境影響的檢測也有待開展。

統(tǒng)計學算法眾多，各文獻中光譜預處理法，模型的選取和建立也可以進一步優(yōu)化，把實驗室成果通過聯合工廠化生產、信息技術而用于實際的檢測，使廣大人民受惠，是近紅外光譜技術在液態(tài)食品中應用的未來方向。

［1］林濤，于海燕，應義斌.可見/近紅外光譜技術在液態(tài)食品檢測中的應用研究進展［J］.光譜學與光譜分析，2008，28(2) :285-290.

［2］劉燕德，鐘儲智，歐陽愛國.近紅外光譜技術在液態(tài)食品分析中的應用［J］.農機化研究，2005(2) :213-215.

［3］Huang H，Yu H，Xu H，et al.Near infrared spectroscopy for on/in-line monitoring of quality in foods and beverages:A review［J］.Journal of Food Engineering，2008，87:303-313.

［4］李琴，鄭雷玉，袁紅梅.近紅外光譜技術在鑒別食品真?zhèn)魏彤a地屬性的應用研究進展［J］.硅谷，2011(12) :43-44.

［5］王小燕，王錫昌，劉源，等.近紅外光譜技術在食品摻偽檢測應用中的研究進展［J］.食品科學，2011，32(1) :265-269.

［6］陸婉珍.現代近紅外光譜分析技術［M］.第二版.中國石化出版社，2007:1-378.

［7］張榮，吳文娟.近紅外光譜技術的定性和定量分析［J］.化工時刊，2011，25(9) :36-38.

［8］王鳳花，朱海龍，戈振揚.近紅外光譜數據建模方法的研究進展［J］.農業(yè)工程，2011，1(1) :56-61.

［9］張銀，周孟然.近紅外光譜分析技術的數據處理方法［J］.紅外技術，2007，29(6) :345-348.

［10］張仲源，劉靜，管驍，等.近紅外光譜分析技術在食品檢測中的應用研究進展［J］.食品與發(fā)酵工業(yè)，2011，37( 11) :159-165.

［11］張輝，吳迪，李想，等.近紅外光譜快速檢測食用油必需脂肪酸［J］.農業(yè)工程學報，2012，28(7) :266-270.

［12］于燕波，臧鵬，付元華，等.近紅外光譜法快速測定植物油中脂肪酸含量［J］.光譜學與光譜分析，2008，28( 7) :1554-1558.

［13］吳靜珠，徐云.基于CARS-PLS 的食用油脂肪酸近紅外定量分析模型優(yōu)化［J］.農業(yè)機械學報，2011，42( 10) :162-166.

［14］畢艷蘭，鮑丹青，田原，等.利用傅里葉近紅外技術快速測定食用植物油的過氧化值［J］.中國油脂，2009，34( 3) :71-74.

［15］張菊華，朱向榮，尚雪波，等.近紅外光譜技術在測定純茶油中棕櫚油摻入量中的應用［J］.湖南農業(yè)科學，2011(17) :105-107.

［16］羅香，劉波平，馮利輝，等.近紅外光譜技術用于花生油中棕櫚油含量的測定［J］.分析科學學報，2010，26( 6) :673-676.

［17］Steuer B，Schulz H，L?ger E.Classification and analysis of citrus oils by NIR spectroscopy［J］.Food Chemistry，2001，72(1) :113-117.

［18］Rao Y，Xiang B，Zhou X，et al.Quantitative and qualitative determination of acid value of peanut oil using near- infrared spectrometry［J］.Journal of Food Engineering，2009，93( 2) :249-252.

［19］吳靜珠，劉翠玲，李慧，等.近紅外光譜技術在食用油種類鑒別及脂肪酸含量檢測中的應用［J］.北京工商大學學報:自然科學版，2010，28(5) :56-59.

［20］吳靜珠，劉翠玲，李慧，等.基于近紅外光譜的純花生油摻偽快速鑒別方法研究［J］.北京工商大學學報:自然科學版，2011，29(1) :75-78.

［21］吳靜珠，劉翠玲，邢素霞，等.光譜分辨率的選取對食用油近紅外模型性能影響分析［J］.北京工商大學學報: 自然科學版，2012，30(1) :66-68.

［22］周志琴，陳斌，顏輝.二維相關近紅外光譜快速鑒別食用植物油種類［J］.中國糧油學報，2011，26(9) :115-118.

［23］周志琴，陳斌，顏輝.食用植物油摻偽的二維相關近紅外光譜分析［J］.江蘇農業(yè)科學，2011，39(5) :410-412.

［24］謝夢圓，張軍，陳哲，等.地溝油的近紅外光譜分析鑒別［J］.中國油脂，2011，36(12) :80-83.

［25］Cozzolino D，Smyth H E，Gishen M.Feasibility Study on the Use of Visible and Near- Infrared Spectroscopy Together with Chemometrics To Discriminate between Commercial White Wines of Different Varietal Origins［J］.Journal of Agricultural and Food Chemistry，2003，51(26) :7703-7708.

［26］Cozzolino D，Kwiatkowski M J，Parker M，et al.Prediction of phenolic compounds in red wine fermentations by visible and near infrared spectroscopy［J］.Analytica Chimica Acta，2004，513(1) :73-80.

［27］Cozzolino D，Smyth H E，Lattey K A，et al.Relationship between sensory analysis and near infrared spectroscopy in Australian Riesling and Chardonnay wines［J］.Analytica Chimica Acta，2005，539(1-2) :341-348.

［28］Cozzolino D，Liu L，Cynkar W U，et al.Effect of temperature variation on the visible and near infrared spectra of wine and the consequences on the partial least square calibrations developed to measure chemical composition［J］.Analytica Chimica Acta，2007，588(2) :224-230.

［29］Cozzolino D，Kwiatkowski M J，Dambergs R G，et al.Analysis of elements in wine using near infrared spectroscopy and partial least squares regression［J］. Talanta，2008，74 ( 4) :711-716.

［30］Cozzolino D，Cynkar W，Shah N，et al.Quantitative analysis of minerals and electric conductivity of red grape homogenates by near infrared reflectance spectroscopy ［J］. Computers and Electronics in Agriculture，2011，77:81-85.

［31］Cozzolino D，Cynkar W，Shah N，et al.Feasibility study on the use of attenuated total reflectance mid-infrared for analysis of compositional parameters in wine ［J］ . Food Research International，2011，44(1) :181-186.

［32］Cozzolino D，Cynkar W U，Shah N，et al.Can spectroscopy geographically classify Sauvignon Blanc wines from Australia and New Zealand? ［J］.Food Chemistry，2011，126(2) :673-678.

［33］Cozzolino D，Mccarthy J，Bartowsky E.Comparison of near infrared and mid infrared spectroscopy to discriminate between wines produced by different Oenococcus Oeni strains after malolactic fermentation: A feasibility study［J］.Food Control，2012，26(1) :81-87.

［34］Urbano-Cuadrado M，Luque De Castro M D，Pérez-Juan P M，et al.Near infrared reflectance spectroscopy and multivariate analysis in enology: Determination or screening of fifteen parameters in different types of wines［J］.Analytica Chimica Acta，2004，527(1) :81-88.

［35］Urbano Cuadrado M，Luque De Castro M D，Pérez Juan P M，et al.Comparison and joint use of near infrared spectroscopy and Fourier transform mid infrared spectroscopy for the determination of wine parameters［J］.Talanta，2005，66( 1) :218-224.

［36］Liu L，Cozzolino D，Cynkar W U，et al.Preliminary study on the application of visible - near infrared spectroscopy and chemometrics to classify Riesling wines from different countries［J］.Food Chemistry，2008，106(2) :781-786.

［37］Buratti S，Ballabio D，Giovanelli G，et al.Monitoring of alcoholic fermentation using near infrared and mid infrared spectroscopies combined with electronic nose and electronic tongue［J］.Analytica Chimica Acta，2011，697:67-74.

［38］Garde-Cerdán T，Lorenzo C，Zalacain A，et al.Using near infrared spectroscopy to determine haloanisoles and halophenols in barrel aged red wines［J］.LWT-Food Science and Technology，2012，46(2) :401-405.

［39］Lorenzo C，Garde - Cerdán T，Pedroza M A，et al.Determination of fermentative volatile compounds in aged red wines by near infrared spectroscopy ［J］. Food Research International，2009，42(9) :1281-1286.

［40］陳燕清，顏流水，倪永年.小波變換-可見-近紅外光譜技術用于鑒別品牌料酒的研究［J］.化學研究與應用，2011，23(9) :1250-1254.

［41］陳蘭珍，葉志華，趙靜.近紅外光譜技術在蜂蜜真實性鑒定中的應用［J］.食品研究與開發(fā)，2008，29(2) :103-106.

［42］陳蘭珍，趙靜，葉志華，等.蜂蜜真?zhèn)蔚慕t外光譜鑒別研究［J］.光譜學與光譜分析，2008，28(11) :2565-2568.

［43］Chen L，Xue X，Ye Z，et al.Determination of Chinese honey adulterated with high fructose corn syrup by near infrared spectroscopy［J］.Food Chemistry，2011，128(4) :1110-1114.

［44］Chen L，Wang J，Ye Z，et al.Classification of Chinese honeys according to their floral origin by Near Infrared Spectroscopy［J］.Food Chemistry，2012，2:156.

［45］陳蘭珍，孫謙，趙靜，等.蜂蜜中果糖含量近紅外光譜實驗研究［J］.中國蜂業(yè)，2008，59(12) :17-18.

［46］陳蘭珍，薛曉鋒，陳芳，等.蜂蜜中還原糖組分測定的近紅外光譜應用研究［J］.食品科學，2009，30(8) :147-150.

［47］鐘艷萍，鐘振聲，陳蘭珍，等.近紅外光譜技術定性鑒別蜂蜜品種及真?zhèn)蔚难芯浚跩］.現代食品科技，2010，26( 11) :1280-1283.

［48］張欣，李水芳，單楊.基于多元散射校正和偏最小二乘( MSC/PLS) 的傅里葉變換近紅外光譜檢測蜂蜜中還原糖［J］.食品與機械，2009，25(6) :109-112.

［49］李水芳，單楊，朱向榮，等.近紅外透反射光譜用于檢測蜂蜜加入麥芽糖漿摻假［J］.食品科技，2010，35( 12) :299-303.

［50］李水芳，單楊，朱向榮，等.近紅外光譜結合化學計量學方法檢測蜂蜜產地［J］.農業(yè)工程學報，2011，27(8) :350-354.

［51］張欣.近紅外和拉曼光譜法測定蜂蜜摻假研究［D］.長沙，中南大學，2011.

［52］Zhu X R，Li S，Shan Y，et al.Detection of adulterants such as sweeteners materials in honey using near-infrared spectroscopy and chemometrics［J］.Journal of Food Engineering，2010，101(1) :92-97.

［53］吳桂芳，黃凌霞，何勇.葡萄漿果糖度可見/近紅外光譜檢測的研究［J］.光譜學與光譜分析，2008，28(9) :2090-2092.

［54］Janik L J，Cozzolino D，Dambergs R，et al.The prediction of total anthocyanin concentration in red-grape homogenates using visible-near-infrared spectroscopy and artificial neural networks［J］.Analytica Chimica Acta，2007，594(1) :107-118.

［55］Coppa M，Ferlay A，Leroux C，et al.Prediction of milk fatty acid composition by near infrared reflectance spectroscopy［J］.International Dairy Journal，2010，20(3) :182-189.

［56］Melfsen A，Hartung E，Haeussermann A.Accuracy of milk composition analysis with near infrared spectroscopy in diffuse reflection mode［J］.Biosystems Engineering，2012，112 ( 3) :210-217.

［57］劉波平，榮菡，鄧澤元，等.基于PLS-自組織競爭神經網絡近紅外光譜技術對鮮乳和摻假乳的檢測方法研究［J］.分析測試學報，2008，27(11) :1147-1150.

［58］榮菡，劉波平，鄧澤元，等.基于PLS-模式識別近紅外光譜技術快速檢測鮮乳和摻假乳［J］.食品科學，2008，29(8) :492-495.

［59］劉波平，榮菡，羅香，等.PLS-BP 法近紅外光譜技術同時測定鮮乳中四種主成分［J］.分析實驗室，2009，28(6) :66-69.

［60］榮菡，劉波平，鄧澤元，等.Elman 網絡近紅外光譜技術同時測定鮮乳中三種主成分含量［J］.食品科技，2008，33(11) :258-261.

［61］褚瑩，丁武，齊強強.基于近紅外光譜技術實現摻假山羊奶的定性和定量檢測［J］.西北農業(yè)學報，2011，20( 12) :192-196.

［62］褚瑩，丁武，丁丁.近紅外光譜法用于摻假羊奶的快速無損鑒別［J］.中國乳品工業(yè)，2012，40(2) :51-53.

［63］何彬.基于紅外光譜技術的牛奶摻雜判別方法的研究［D］.天津，天津大學，2010.

［64］王云，徐可欣，常敏.近紅外光譜技術檢測牛奶中脂肪及蛋白質含量校正模型的建立［J］.光學儀器，2006，28(3) :3-7.

［65］徐楠.短波近紅外光譜法測定牛奶主要成分的研究［D］.長春:吉林大學，2009.

［66］陳斌，方如明，趙杰文，等.食醋主要成分近紅外光譜快速測定法［J］.食品科學，2000，21(5) :55-57.

［67］陳斌，陸道禮，吳玨.利用近紅外吸收光譜快速檢測食醋的主要成分［J］.中國調味品，2002(10) :39-42.

［68］陳斌，黃傳旭，李國權，等.模極大值法在食醋近紅外光譜定量分析中的應用［J］.農業(yè)機械學報，2005，36(5) :65-68.

［69］蔣家奎，馬永昆，范曉波，等.基于紫外-可見光譜技術快速鑒別鎮(zhèn)江香醋方法的研究［J］.中國調味品，2009，34(3) :112-117.

［70］石吉勇，鄒小波，王開亮，等.模擬退火算法用于食醋總酸含量近紅外光譜模型的波數點優(yōu)選［J］.食品科學，2011，32(10) :120-123.

［71］黃曉瑋，王開亮，石吉勇，等.近紅外光譜結合不同偏最小二乘法無損檢測食醋中總酸含量［J］.中國調味品，2011，36(1) :107-110.

［72］鄒小波，陳正偉，石吉勇，等.基于支持向量機的食醋總酸近紅外光譜建模［J］.中國釀造，2011(3) :63-65.

［73］張德濤，鄒小波，石吉勇，等.近紅外光譜結合不同偏最小二乘法快速檢測鎮(zhèn)江香醋的渾濁度［J］.中國釀造，2012，31(1) :169-172.

［74］宋海燕，秦剛，陸輝山，等.基于可見/近紅外透射光譜的山西老陳醋產地的判別分析［J］.中國食品學報，2010，10(4) :267-271.

［75］秦剛，宋海燕，陸輝山.應用可見/近紅外光譜技術快速鑒別山西陳醋品種［J］.山西農業(yè)大學學報: 自然科學版，2010，30(4) :309-311.

［76］王莉，李增芳，何勇，等.應用近紅外光譜技術快速檢測果醋糖度［J］.光譜學與光譜分析，2008，28(8) :1810-1813.

［77］王莉，劉飛，何勇.應用可見-近紅外光譜技術進行白醋品牌和pH 的快速檢測［J］.光譜學與光譜分析，2008，28( 4) :813-816.

［78］童曉星，鮑一丹，何勇.應用近紅外光譜技術快速檢別醬油品牌的研究［J］.光譜學與光譜分析，2008，28(3) :597-601.

［79］王曉暉，霍玉杰.短波近紅外光譜-偏最小二乘法對食醋中總酸含量的無損定量分析［J］.內蒙古民族大學學報: 自然科學版，2009，24(1) :26-30.

［80］方娟娟，衛(wèi)雪梅，強建華，等.偏最小二乘法同時測定食醋的有效成分和防腐劑的含量［J］.計算機與應用化學，2010，27(3) :351-354.

［81］張浩玉，張柯，黃星奕.電子舌對不同品種醋的辨別研究［J］.中國調味品，2011，36(5) :1-4.