程可 董文江 趙建平 初眾 胡榮鎖 宗迎

摘 要 本文就6種光譜技術(shù)（紫外-可見、近紅外、中紅外、拉曼、熒光、核磁共振光譜）及其在咖啡質(zhì)量控制應(yīng)用中的研究進(jìn)展進(jìn)行綜述。通過對咖啡的起源、分布、風(fēng)味品質(zhì)及功能特性的描述，擬幫助消費(fèi)者對咖啡文化有進(jìn)一步的了解，并為咖啡產(chǎn)業(yè)的發(fā)展提供理論參考。光譜技術(shù)是一種快速和低成本的分析方法，可替代傳統(tǒng)的化學(xué)成分和感官特性分析方法，實(shí)現(xiàn)對樣品的無損檢測，由于光譜的這些特點(diǎn)，使得光譜技術(shù)在咖啡的質(zhì)量控制上具有不可替代的優(yōu)點(diǎn)。在實(shí)際應(yīng)用中，將光譜技術(shù)與化學(xué)計(jì)量學(xué)結(jié)合能更好的實(shí)現(xiàn)對咖啡風(fēng)味品質(zhì)的有效控制。

關(guān)鍵詞 咖啡；光譜技術(shù)；化學(xué)計(jì)量學(xué)；質(zhì)量控制

中圖分類號 R97 文獻(xiàn)標(biāo)識碼 A

Abstract Six kinds of spectroscopic techniques（ultraviolet-visible， near infrared， mid infrared， fluorescence， raman and nuclear magnetic resonance spectroscopy）and the application in the quality control of coffee were summarized. The description of origin， distribution， flavor and functional characteristics of coffee could help consumers have further understanding the characteristics of coffee. Spectroscopic methods provide a relatively rapid and low-cost alternative to traditional chemical composition or sensory analyses. The non-destructive spectroscopic techniques provide analytical information without damaging the sample. Due to the characteristics of the spectrum， spectroscopic techniques possess irreplaceable advantages in the quality control of coffee compared to other traditional techniques. In general， spectroscopic techniques combined with chemometrics can achieve a better performance in the the quality control of coffee.

Key words Coffee； spectroscopic techniques； chemometrics； quality control

doi 10.3969/j.issn.1000-2561.2017.12.031

咖啡為茜草科、咖啡屬植物，是世界上產(chǎn)銷量僅次于石油的商品[1]。在世界范圍內(nèi)每天有數(shù)百萬的人在飲用咖啡，而且對于高品質(zhì)精品咖啡的需求量也在增加[2]?？Х戎懈缓尽⒌鞍踪|(zhì)、碳水化合物、咖啡因、葫蘆巴堿、綠原酸等成分，這些成分的存在使其具有一定的功能特性[3]?，F(xiàn)代臨床醫(yī)學(xué)實(shí)驗(yàn)表明，咖啡具有提神醒腦、抗氧化、增強(qiáng)免疫力、減肥、治療老年癡呆等功效[4-7]。世界范圍內(nèi)栽培的主要咖啡品種為小粒種阿拉比卡和中粒種羅布斯塔，其產(chǎn)銷量占全球范圍的95%以上。世界范圍內(nèi)知名的小粒種咖啡品種有：鐵畢卡（Typica）、哈拉爾（harald）、波邦（Bourbon）、卡杜拉（Caturra）、卡提摩（Catimor）等[8]。咖啡是我國重要的特色熱帶飲料作物，在我國的種植范圍主要分布于海南和云南地區(qū)，其種植的主要品種分別為中粒種羅布斯塔和小粒種阿拉比卡?？Х纫胛覈臅r(shí)間不長，但是咖啡在我國的發(fā)展速度迅速[9]。我國咖啡的年消費(fèi)增長率為2.5%，遠(yuǎn)高于世界的平均增長水平，到2020年，如果中國能達(dá)到人均每天1杯咖啡，將會創(chuàng)造500億美元的市場。

咖啡的質(zhì)量和其獨(dú)特的感官特性取決于整個(gè)產(chǎn)業(yè)鏈環(huán)節(jié)，影響咖啡最終品質(zhì)的因素有：產(chǎn)地、氣候、品種、采收方法、加工工藝、儲藏條件和沖泡方法，咖啡的香氣和滋味是判斷一杯咖啡好壞常用的標(biāo)準(zhǔn)[10]。光譜技術(shù)是一種相對快速、低成本的、可替代傳統(tǒng)檢測方法的技術(shù)，其特點(diǎn)是在測定樣品時(shí)對樣品的前處理少且操作簡單。大量的光譜數(shù)據(jù)通常從光譜儀器中獲得，其中包含有用的分析信息、噪音、可變性、不確定性和識別特性等因素[11]。通過將光譜指紋技術(shù)與化學(xué)計(jì)量學(xué)相結(jié)合，從光譜數(shù)據(jù)中獲取盡可能多的相關(guān)信息，進(jìn)行統(tǒng)計(jì)學(xué)分析，以實(shí)現(xiàn)對樣品的溯源監(jiān)控、化學(xué)成分預(yù)測及真?zhèn)舞b別等目標(biāo)[12]，最終達(dá)到對產(chǎn)品質(zhì)量控制的目的。

本文綜述了咖啡的起源、分布、風(fēng)味品質(zhì)及其功能性質(zhì)，對6種光譜指紋圖譜技術(shù)在咖啡質(zhì)量控制中的主要應(yīng)用進(jìn)行總結(jié)，分析目前該技術(shù)在咖啡質(zhì)量控制中存在的問題，提出該技術(shù)在咖啡質(zhì)量控制中的發(fā)展前景，為其后續(xù)的研究和利用提供理論參考。

1 咖啡的起源、分布、風(fēng)味品質(zhì)及功能特性

1.1 咖啡的起源與分布

咖啡起源于埃塞俄比亞和剛果地區(qū)，是世界范圍內(nèi)銷量最多的三種飲料之一，目前大約有60多個(gè)國家和地區(qū)種植咖啡[13]。紅色的咖啡鮮果經(jīng)采摘后需要經(jīng)過脫皮脫膠得到生咖啡豆，而生咖啡豆到咖啡液又需要經(jīng)過烘焙、研磨、沖泡等工藝流程。據(jù)報(bào)道，雖然自然界中有將近70個(gè)品種屬于咖啡屬，但只有其中的三種是被廣泛栽培和銷售的，它們分別為阿拉比卡咖啡（Coffea Arabica）、羅布斯塔咖啡（Coffea Robusta）又名（Coffea canephora）、利比里亞咖啡（Coffea liberica）[14-15]。世界上主要的咖啡生產(chǎn)國有巴西、越南、印度尼西亞、哥倫比亞等國，而主要的咖啡消費(fèi)國有美國、德國、日本、意大利和法國[16]。

1.2 咖啡的風(fēng)味品質(zhì)特性

咖啡的風(fēng)味品質(zhì)特征主要取決于它的香氣和滋味。生咖啡豆通常具有一定的氣味特征（如鮮花味、蔬菜味、果味、泥土味等），而因生豆中一些不良的氣味特征（泥土味、木頭味等）使其不能直接沖煮飲用[17]?？Х鹊南銡馓卣餍纬尚杞?jīng)過烘焙過程，使生咖啡豆中的脂肪、蛋白質(zhì)、氨基酸、咖啡因、葫蘆巴堿、綠原酸等風(fēng)味前體物發(fā)生美拉德反應(yīng)、焦糖化反應(yīng)、斯特雷格降解反應(yīng)等一系列化學(xué)反應(yīng)[18]，生成呋喃類、吡嗪類、酸類、醛酮類、酚類、吡啶類、吡咯類、硫化物等揮發(fā)性風(fēng)味化合物[19-21]。咖啡的滋味特征（如：苦味、燒烤味、焦糖甜味等）也因咖啡豆品種和烘焙度的不同而產(chǎn)生差異。

1.3 咖啡的功能特性

適度飲用咖啡是對身體有益的。大多數(shù)潛在咖啡消費(fèi)者為了身體健康不飲用咖啡，因?yàn)榭Х戎泻写罅康墓δ苄猿煞郑ㄈ纾嚎Х纫?、葫蘆巴堿、綠原酸等），他們不了解這些成分對身體的作用如何。有研究表明，在挪威和西班牙女性的飲食中，咖啡是其獲取抗氧化劑的主要途徑[22]。咖啡中含有營養(yǎng)成分，同時(shí)具有增強(qiáng)身體健康的作用，其中包括抗氧化能力、免疫調(diào)節(jié)作用、治療老年癡呆癥，抗腫瘤等功效[7]，最新研究也表明每天飲用少量的咖啡或可降低患腸癌的風(fēng)險(xiǎn)[23]。因此，每天適當(dāng)?shù)娘嬘每Х仁菍ι眢w有益的。

2 光譜技術(shù)在咖啡質(zhì)量控制中的應(yīng)用

2.1 常用光譜技術(shù)簡介

2.1.1 紫外-可見光譜技術(shù) 紫外-可見光譜，即分子在紫外和可見區(qū)的吸收光譜，是在分析儀器中最常見的一種光譜技術(shù)。利用紫外-可見光譜技術(shù)可對物質(zhì)的組成、結(jié)構(gòu)、含量進(jìn)行分析、推斷和預(yù)測。紫外-可見光譜具有操作簡單、容易獲得、成本低廉等優(yōu)點(diǎn)；紫外-可見光譜儀也是大多數(shù)食品分析實(shí)驗(yàn)室中常見的，在使用時(shí)不需要添加額外新儀器也不需要其他額外費(fèi)用；紫外-可見光譜數(shù)據(jù)在作為判別變量使用時(shí)，它可以通過樣品化學(xué)成分的不同對樣品進(jìn)行區(qū)分，靈敏度較高，因此，紫外-可見光譜能從眾多復(fù)雜、昂貴的儀器中被選擇使用[24]。而紫外-可見光譜的缺點(diǎn)是它不能很好的區(qū)分有相近吸光度的物質(zhì)[24-26]。目前，紫外-可見光譜技術(shù)已被應(yīng)用到多個(gè)領(lǐng)域，如區(qū)別含咖啡因和不含咖啡因的咖啡、鑒別葡萄酒的起源及葡萄的品種、鑒別橄欖油的起源。

2.1.2 近紅外光譜技術(shù) 近紅外光譜，即分子在近紅外區(qū)的吸收光譜，這項(xiàng)技術(shù)的建立可以用來確定食品原料的起源[27]。利用近紅外光譜技術(shù)可對物質(zhì)對應(yīng)的分子間C-H、O-H、N-H振動進(jìn)行記錄。它的優(yōu)點(diǎn)是快速、方法簡單、對樣品無損、且被廣泛應(yīng)用于食品的定性分析中。而近紅外光譜技術(shù)的不足是：在其多元數(shù)據(jù)分析中存在目標(biāo)光譜波段選擇的問題，尤其是在光譜中顯示不能分辨的波峰或光譜無法識別重要特征時(shí)。為了移除不相關(guān)的光譜變量和改善模型性能，各種方法被用于選擇多元校正的最優(yōu)變量，其中有：間隔偏最小二乘法，聯(lián)合區(qū)間偏最小二乘法等。作為一種成熟的振動光譜技術(shù)，近紅外光譜技術(shù)結(jié)合多元數(shù)據(jù)分析已廣泛應(yīng)用于肉類分析中，提供了一個(gè)及時(shí)的在線測量方法[28]。目前，近紅外光譜技術(shù)已經(jīng)被應(yīng)用于測量魚中的脂肪和其他理化指標(biāo)、肉制品的質(zhì)量控制、碎肉的摻假檢測、農(nóng)副產(chǎn)品的溯源和摻假檢測等方面[27-29]。

2.1.3 中紅外光譜技術(shù) 中紅外光譜，即分子在中紅外區(qū)的吸收光譜。因其光譜共振在激發(fā)頻率范圍內(nèi)，并且在中紅外區(qū)大多數(shù)官能團(tuán)能被檢測到，所以它可以用于鑒定化合物，即使該化合物有非常復(fù)雜和相似的結(jié)構(gòu)，如：多糖也能通過中紅外光譜分別出來[30]。中紅外光譜技術(shù)具有簡單、快捷、經(jīng)濟(jì)、自動化并能直接檢測樣品等優(yōu)點(diǎn)，中紅外光譜的主要缺點(diǎn)是在其光譜范圍內(nèi)有著廣泛的不可選擇的光譜波段[31]。目前，中紅外光譜技術(shù)已被應(yīng)用于測量卷煙煙氣中苯并芘的含量[31]、測量番茄汁的多組分質(zhì)量特征[32]、對丹參顆粒中的糊精進(jìn)行定量分析[33]等研究中。

2.1.4 拉曼光譜技術(shù) 拉曼光譜，是一種散射光譜技術(shù)。區(qū)別于其它五種光譜，它源于單色光的非彈性散射，反映了更多的諸如分子骨架振動、芳香結(jié)構(gòu)等非極性振動。拉曼光譜技術(shù)具有以下優(yōu)點(diǎn)：它是一門無損檢測技術(shù)；檢測時(shí)需要很少或不需要樣品的準(zhǔn)備；拉曼光譜在分析食品樣品時(shí)不與蛋白質(zhì)、脂質(zhì)、碳水化合物等敏感而獨(dú)特的食品成分信號重疊；拉曼光譜已經(jīng)成為一種綠色分析化學(xué)方法[34-36]。它的缺陷在于拉曼光譜的抗干擾能力較差，同時(shí)在分析固態(tài)樣品時(shí)會受到了一定的限制。目前，拉曼光譜技術(shù)已應(yīng)用在追溯橄欖油、蜂蜜等食品的的來源，鑒定啤酒、白酒等酒精飲料的真?zhèn)蔚阮I(lǐng)域中。

2.1.5 熒光光譜技術(shù) 熒光光譜技術(shù)，是一種發(fā)射光譜技術(shù)，分為分子熒光光譜和原子熒光光譜。熒光光譜提供了熒光基團(tuán)的信息，將其與多元數(shù)據(jù)分析結(jié)合，能夠?qū)崿F(xiàn)對食品的控制和分類。熒光光譜技術(shù)的主要優(yōu)點(diǎn)為其高靈敏性、專一性、無損性、代表性和較低檢測下限[37]。它的缺點(diǎn)是：只有少部分化合物產(chǎn)生熒光，大多數(shù)分子不發(fā)熒光。目前，熒光光譜技術(shù)已經(jīng)應(yīng)用于食品的很多應(yīng)用領(lǐng)域，如檢測由于熱處理引起的不同品種奶酪中牛奶變質(zhì)、預(yù)測酸奶的保藏期、測定魚的新鮮度、檢測肉的新鮮度、檢測不同類型的油脂氧化、通過食物的起源來對其進(jìn)行分類[38]。

2.1.6 核磁共振光譜技術(shù) 核磁共振光譜，是一種吸收光譜技術(shù)。指具有自旋性質(zhì)的原子核在核外強(qiáng)磁場作用下，吸收射頻輻射而產(chǎn)生能級躍遷。核磁共振光譜中使用的核子有1H，13C，31P，其中核子1H來源更豐富，相比于其它兩者有更高的靈敏性。作為一種有效的分析工具，可用于檢測分子間的相互作用[39]。它的優(yōu)點(diǎn)是：可以同時(shí)做定性和定量分析；測量時(shí)可以迅速完成；當(dāng)出現(xiàn)混合物時(shí)不需要隔離被分析物；獲得光譜所需時(shí)間更短；它能在一個(gè)單一光譜中同時(shí)執(zhí)行不同物質(zhì)的分析[39]。但是因其分析時(shí)所需費(fèi)用昂貴等缺陷使其目前沒有在食品中廣泛應(yīng)用。

2.2 光譜技術(shù)在咖啡質(zhì)量控制中的研究

2.2.1 紫外-可見光譜在咖啡應(yīng)用中的研究 紫外-可見光譜技術(shù)應(yīng)用中主要表現(xiàn)為將該光譜應(yīng)用在液相色譜檢測器和紫外-可見分光光度計(jì)中?？Х鹊娘L(fēng)味和口感是咖啡最重要的品質(zhì)特征。前者通過將該技術(shù)與液相色譜結(jié)合，對咖啡中的主要風(fēng)味物質(zhì)（咖啡因、葫蘆巴堿、綠原酸等）含量進(jìn)行分析，進(jìn)而鑒定咖啡的質(zhì)量好壞。如：Domingues等[42]使用高效液相色譜結(jié)合高效陰離子交換色譜脈沖安培檢測器和柱后衍生的紫外-可見檢測器對烘焙咖啡和咖啡粉中的摻假進(jìn)行檢測，結(jié)果表明，后者相對前者能更快更簡單的操作，且更容易應(yīng)用到大多數(shù)實(shí)驗(yàn)室。紫外-可見光譜技術(shù)也應(yīng)用于對咖啡中風(fēng)味物質(zhì)含量的測定，Belguidoum等[43]采用高效液相色譜結(jié)合紫外-可見光譜定量測定了阿爾及利亞市場上16種咖啡樣品（生咖啡豆、烘焙咖啡豆、速溶咖啡）中的8種酚酸、3種黃酮和咖啡因。后者可以通過紫外-分光光度計(jì)對烘焙咖啡水提物的結(jié)構(gòu)進(jìn)行分析，進(jìn)而對咖啡質(zhì)量進(jìn)行分析控制。如：Souto等[41]采用紫外-可見光譜和連續(xù)投影算法-線型判別分析鑒別烘焙咖啡粉中由于咖啡果皮和樹枝導(dǎo)致咖啡的摻假，該方法在試驗(yàn)和檢測階段都能達(dá)到100%的分辨率。Souto等[44]研究了紫外-可見光譜技術(shù)和化學(xué)計(jì)量學(xué)用于對不同類型的（脫咖啡因和不脫咖啡因）和不同貯藏狀態(tài)的（沒有過期的、過期的）巴西烘焙咖啡粉中水提取物的分類。通過軟獨(dú)立建模分類法和連續(xù)投影算法-線性判別分析兩種分類方式的比較，結(jié)果表明后者的分類正確率更高，達(dá)到了96%。

2.2.2 近紅外光譜在咖啡應(yīng)用中的研究 近紅外光譜在咖啡中的應(yīng)用主要表現(xiàn)為它的定性及定量作用。它的定量作用表現(xiàn)為通過近紅外光譜與其他技術(shù)的結(jié)合可以實(shí)現(xiàn)對咖啡中某些風(fēng)味物質(zhì)含量的測定。如Zhang等[45]建立了基于近紅外光譜和化學(xué)計(jì)量學(xué)的定量測定小粒種烘焙咖啡豆中咖啡因含量的方法，結(jié)果表明，該方法的相對平均誤差和相對平均標(biāo)準(zhǔn)誤差分別為1.976%和1.797%，驗(yàn)證了該方法的可行性。Scholz等[48]研究了近紅外光譜技術(shù)用于評估生咖啡豆中二萜類化合物（咖啡醇和咖啡豆醇）的數(shù)量，結(jié)果表明：每100 g樣品中咖啡醇含量范圍為182.62～1 308.62 mg，咖啡豆醇含量范圍為182.69～1 265.41 mg。它的定性作用表現(xiàn)為：在對咖啡粉進(jìn)行近紅外光譜分析時(shí)，可以得出它的某些關(guān)鍵物理和化學(xué)信息，進(jìn)而對咖啡的抗氧化性有一定的評估。如：Páscoa等[46]采用傅里葉變換紅外光譜評估101個(gè)咖啡殘?jiān)鼧悠返目寡趸芰?，偏最小二乘回歸模型結(jié)果表明：咖啡殘?jiān)目寡趸芰?、咖啡殘?jiān)掖继崛∥锏目寡趸芰Χ季哂辛己玫木€性方程，其R2值分別為0.93、0.96。Santos等[47]建立了一種基于近紅外光譜技術(shù)的實(shí)時(shí)方法用于預(yù)測烘焙豆兩個(gè)重要指標(biāo)蔗糖含量和顏色，結(jié)果表明：測量誤差比和相關(guān)系數(shù)均分別高于10.0和0.85，證明了這種方法的適用性。

2.2.3 中紅外光譜在咖啡應(yīng)用中的研究 中紅外光譜在咖啡中的應(yīng)用主要表現(xiàn)為中紅外光譜的定性作用。通過對咖啡粉進(jìn)行中紅外光譜掃描，對其中咖啡中風(fēng)味成分的特征峰進(jìn)行分析，進(jìn)而判斷咖啡質(zhì)量的好壞。陳舟華等[49]采用傅里葉變換中紅外光譜技術(shù)對現(xiàn)磨咖啡、速溶咖啡和菊苣咖啡的有機(jī)物特征波段分析，可以實(shí)現(xiàn)對這3種不同咖啡的分類。Craig等[50]比較了傅里葉變換中紅外光譜和近紅外光譜定量測定烘焙咖啡豆中缺陷咖啡豆的比例，結(jié)果表明：傅里葉變換中紅外光譜檢測出更多的有缺陷咖啡豆。Zhang等[51]研究了中紅外透射光譜結(jié)合模式識別方法來鑒別中國海南中粒種和云南小粒種咖啡，采用10種模式識別方法建立判別模型，依據(jù)對咖啡品種分類的準(zhǔn)確度分為高效方法、中效方法和低效方法。

2.2.4 拉曼光譜在咖啡應(yīng)用中的研究 拉曼光譜在咖啡中的應(yīng)用主要表現(xiàn)為拉曼光譜的定性作用。不同咖啡樣品中含有的某些特征化合物的含量是不相同的。通過對不同樣品進(jìn)行拉曼光譜分析，得到特征化合物不同的峰的強(qiáng)度，進(jìn)而可以實(shí)現(xiàn)對不同咖啡樣品的區(qū)分。如：El-Abassy等[52]采用顯微可見拉曼光譜結(jié)合主成分分析對小粒種和中粒種咖啡豆進(jìn)行分類，通過對兩個(gè)品種樣品中綠原酸和脂質(zhì)的分析來實(shí)現(xiàn)對兩個(gè)品種的區(qū)分。Anke等[53]研究了傅里葉拉曼光譜技術(shù)分析咖啡豆中咖啡豆醇的分析以區(qū)分小粒種和中粒種生咖啡豆，該光譜分析測量方法的重現(xiàn)性是3.5%。Thomas等[54]研究了拉曼光譜技術(shù)分析混合咖啡豆內(nèi)中粒種咖啡豆所占的百分比，通過測量混合樣品中咖啡豆醇和脂肪酸的波峰來實(shí)現(xiàn)中粒種樣品百分比含量的測定。拉曼光譜已應(yīng)用于油、酒精飲料、蜂蜜等農(nóng)產(chǎn)品的溯源上，而關(guān)于拉曼光譜應(yīng)用于咖啡溯源的研究報(bào)道還較少，這方面需對其進(jìn)行更深入的研究。

2.2.5 熒光光譜在咖啡應(yīng)用中的研究 熒光光譜作為一個(gè)快速篩選、敏感和非破壞性的分析技術(shù)，在分析許多具有熒光性質(zhì)的抗氧化物質(zhì)時(shí)起到很好的作用。熒光光譜技術(shù)在咖啡中的應(yīng)用主要表現(xiàn)為它可以對咖啡中具有熒光性狀的物質(zhì)進(jìn)行分析，進(jìn)而為后續(xù)研究提供一定的理論基礎(chǔ)。如：Orzel等[55]采用偏最小二乘回歸和多元偏最小二乘回歸方法依據(jù)咖啡和薄荷提取物的激發(fā)熒光發(fā)射光譜研究了它們的抗氧化性，分別進(jìn)行氧自由基吸收能力測定和福林酚試驗(yàn)來測定它們的總抗氧化能力和總酚含量，試驗(yàn)結(jié)果的相對標(biāo)準(zhǔn)偏差范圍在1.61%～7.13%。田麗萍等[56]研究了咖啡酸的熒光光譜和熒光量子產(chǎn)率，結(jié)果表明：咖啡酸水溶液在pH<4.5時(shí)不顯示熒光，在4.58.5后隨PH的升高其熒光逐漸減弱，以硫酸奎寧作為參比，咖啡酸水溶液熒光量子產(chǎn)率的測定結(jié)果為0.086，該方法測定的檢出限為0.52 ng/mL。同時(shí)，熒光光譜可以與液相色譜技術(shù)結(jié)合，實(shí)現(xiàn)對咖啡中某些特征物質(zhì)的檢測。如Rosa等[57]研究了基于固相微萃取結(jié)合液相色譜-熒光檢測技術(shù)測定咖啡生豆中的赭曲霉毒素A的方法，其中該方法的檢出限和定量下限分別為0.3 ng/g和2.0 ng/g。

2.2.6 核磁共振光譜在咖啡應(yīng)用中的研究 目前，核磁共振光譜應(yīng)用于咖啡中主要表現(xiàn)為它可以對不同品種、不同地區(qū)的咖啡豆進(jìn)行區(qū)分。采用核磁共振光譜技術(shù)可以檢測分子間的相互作用，從氫譜和碳譜中，可以提取有機(jī)物的分子結(jié)構(gòu)和分子式。通過對咖啡中的某些化合物（如：咖啡因、甘油三酯、脂肪酸、有機(jī)酸等）進(jìn)行定性和定量分析，進(jìn)而對咖啡品質(zhì)起到一定的控制作用。如：Monakhova等[58]采用1H核磁共振光譜技術(shù)快速鑒定小粒種和中粒種咖啡混合物中各自的百分含量，通過分析咖啡中親脂性提取物來區(qū)分小粒種和中粒種咖啡，定量測定混合樣品中的中粒種咖啡含量。Arana等[59]研究了核磁共振光譜區(qū)分亞洲、非洲、南北美洲不同國家和地區(qū)的192個(gè)咖啡樣品，提供了一種性價(jià)比高的技術(shù)來保護(hù)不同國家和地區(qū)各自的產(chǎn)品。同時(shí)，核磁共振光譜也能對咖啡中某些主要成分進(jìn)行定量測定。D'Amelio等[60]采用核磁共振光譜技術(shù)對咖啡中主要成分咖啡油進(jìn)行大量而快速的測定，該方法的特點(diǎn)是只需最低限度的樣品處理和有機(jī)溶劑的使用。Wei等[61]研究了將核磁共振光譜為基礎(chǔ)的代謝組學(xué)、人類感官測試和正交投影的多變量投影方法結(jié)合一起分析烘焙咖啡豆提取物中化學(xué)成分，而這些化學(xué)成分可以區(qū)分和預(yù)測咖啡感官特征，結(jié)果表明，該方法能方便、快捷、準(zhǔn)確的預(yù)測咖啡感官特征。

3 研究展望

到目前為止，有大量的研究報(bào)告報(bào)道關(guān)于這6種光譜技術(shù)在食品分析中的應(yīng)用。然而，關(guān)于光譜技術(shù)應(yīng)用于咖啡質(zhì)量控制的研究綜述較少。每種光譜技術(shù)都有自己的優(yōu)缺點(diǎn)，在實(shí)際應(yīng)用中，應(yīng)綜合考慮選擇咖啡中具有代表性的化合物進(jìn)行分析，選擇成本較低、速度較快、效果較好的光譜檢測技術(shù)。目前用于咖啡品質(zhì)研究的大多光譜儀器都較為笨重，且對工作環(huán)境（溫度、濕度、電磁干擾等）要求較為苛刻，未來對于開發(fā)小型的、便攜的、抗干擾能力強(qiáng)的光譜儀有迫切需求。同時(shí)，光譜技術(shù)在未來還會繼續(xù)拓寬其在咖啡研究領(lǐng)域的應(yīng)用面。

光譜指紋圖譜技術(shù)在實(shí)際應(yīng)用時(shí)通常需要結(jié)合化學(xué)計(jì)量學(xué)，因此光譜技術(shù)在咖啡質(zhì)量控制的進(jìn)一步發(fā)展需要做好兩點(diǎn)：選擇合適的光譜范圍和挑選模式識別方法。而光譜技術(shù)發(fā)展所面臨的主要問題是建立適用于這些方法的、具有代表性的數(shù)據(jù)庫。

參考文獻(xiàn)

[1] Esquivel P， Jiménez V M. Functional properties of coffee and coffee by-products[J]. Food Research International， 2012， 46： 488-495.

[2] Yang N， Liu C J， Liu X K， et al. Determination of volatile marker compounds of common coffee roast defects[J]. Food Chemistry， 2016， 211： 206-214.

[3] 李學(xué)俊， 崔文瑞， 杜華波， 等. 小粒種咖啡的主要成分及功能分析[J]. 熱帶農(nóng)業(yè)科學(xué)， 2016， 36： 71-75.

[4] Semen S， Mercan S， Yayla M， et al. Elemental composition of green coffee and its contribution to dietary intake[J]. Food Chemistry， 2016， 215： 92-100.

[5] Magdalena J S， Stanisz E， Maria P D P. Relationship between antioxidant capacity， chlorogenic acids and elemental composition of green coffee[J]. LWT-Food Science and Technology， 2016， 73： 243-250.

[6] 陳 堯， 周宏灝. 咖啡因體內(nèi)代謝及其應(yīng)用的研究進(jìn)展[J]. 生理科學(xué)進(jìn)展， 2010， 04： 256-260.

[7] Heimbach J T， Marone P A， Hunter J M， et al. Safety studies on products from whole coffee fruit[J]. Food and Chemical Toxicology， 2010， 48： 2 517-2 525.

[8] 莫麗珍， 李學(xué)俊， 高應(yīng)敏. 咖啡品種的特性及歷史遷移[J]. 熱帶農(nóng)業(yè)科學(xué)， 2012， 32： 35-39.

[9] 邱明華， 張枝潤， 李忠榮， 等. 咖啡化學(xué)成分與健康[J]. 植物科學(xué)學(xué)報(bào)， 2014， 32： 540-550.

[10] Bressanello D， Liberto E， Cordero C， et al. Coffee aroma： Chemometric comparison of the chemical information provided by three different samplings combined with GC-MS to describe the sensory properties in cup[J]. Food Chemistry， 2016， 214： 218-226.

[11] Uríc ˇková V， Sádecká J. Determination of geographical origin of alcoholic beverages using ultraviolet， visible and infrared spectroscopy： A review[J]. Spectrochimica Acta Part A： Molecular and Biomolecular Spectroscopy， 2015， 148： 131-137.

[12] Gredilla A， Silvia Fdez-Ortiz de Vallejuelo， Elejoste N， et al. Non-destructive Spectroscopy combined with chemometrics as a tool for Green Chemical Analysis of environmental samples： A review[J]. Trends in Analytical Chemistry， 2016， 76： 30-39.

[13] 楊靜園， 董文江， 陸敏泉， 等. 咖啡豆的熱風(fēng)干燥特性及其干燥過程中風(fēng)味成分變化規(guī)律研究[J]. 熱帶作物學(xué)報(bào)， 2016， 5： 971-978.

[14] Luca S D， Filippis M D， Bucci R， et al. Characterization of the effects of different roasting conditions on coffee samples of different geographical origins by HPLC-DAD， NIR and chemometrics[J]. Microchemical Journal， 2016， 129： 348-361.

[15] Babova O， Occhipinti A， E. Maffei M. Chemical partitioning and antioxidant capacity of green coffee （Coffea arabica and Coffea canephora） of different geographical origin[J]. Phytochemistry， 2016， 123： 33-39.

[16] Sunarharum W B， Williams D J， Smyth H E. Complexity of coffee flavor： A compositional and sensory perspective[J]. Food Research International， 2014， 62： 315-325.

[17] 丁 勝， 周 婀， 王艷萍. 印尼羅布斯塔咖啡豆應(yīng)用于咖啡飲料開發(fā)的研究[J]. 飲料工業(yè)， 2010， 13： 18-22.

[18] Petisca C， Pérez-Palacios T， Farah A， et al. Furans and other volatile compounds in ground roasted and espresso coffee using headspace solid-phase microextraction： Effect of roasting speed[J]. Food and Bioproducts Processing， 2013， 91： 233-241.

[19] Altaki M S， Santos F J， Galceran M T. Occurrence of furan in coffee from Spanish market： Contribution of brewing and roasting[J]. Food Chemistry， 2011， 126： 1 527-1 532.

[20] 董文江， 張 豐， 趙建平， 等. 云南地區(qū)烘焙咖啡豆的風(fēng)味指紋圖譜研究[J]. 熱帶作物學(xué)報(bào)， 2015， 36： 1 903-1 911.

[21] 呂文佳， 劉 云， 楊凱舟， 等. 咖啡主要烘焙風(fēng)味物質(zhì)的形成及變化規(guī)律[J]. 食品工業(yè)科技， 2015， 3： 394-400.

[22] Kwak H S， Ji S， Jeong Y. The effect of air flow in coffee roasting for antioxidant activity and total polyphenol content[J]. Food Control， 2017， 71： 210-216.

[23] 劉 霞. 每天喝咖啡或可降低患腸癌幾率-黑咖啡效果更顯著[J]. 食品與機(jī)械， 2016， 4： 87-88.

[24] Morillo A P， Alcázar A， Pablos F D， et al. Differentiation of tea varieties using UV-Vis spectra and pattern recognition techniques[J]. Spectrochimica Acta Part A： Molecular and Biomolecular Spectroscopy， 2013， 103： 79-83.

[25] Bi H Y， Fernandes A C， Cardoso S， et al. Interference-blind microfluidic sensor for ascorbic acid determination by UV/vis spectroscopy[J]. Sensors and Actuators B： Chemical， 2016， 224： 668-675.

[26] Alamprese C， Casale M， Sinelli N， et al. Detection of minced beef adulteration with turkey meat by UV-vis， NIR and MIR spectroscopy[J]. LWT-Food Science and Technology， 2013， 53： 225-232.

[27] Ma H L， Wang J W， Chen J L， et al. Rapid authentication of starch adulterations in ultrafine granular powder of Shanyao by near-infrared spectroscopy coupled with chemometric methods[J]. Food Chemistry， 2017， 215： 108-115.

[28] Zhao M， Downey G， P. O'Donnell C. Exploration of microwave dielectric and near infrared spectroscopy with multivariate data analysis for fat content determination in ground beef[J]. Food Control， 2016， 68： 260-270.

[29] Moscetti R， P. Haff R， Monarca D， et al. Near-infrared spectroscopy for detection of hailstorm damage on olive fruit[J]. Postharvest Biology and Technology， 2016， 120： 204-212.

[30] Hell J， Prückler M， Danner L， et al. A comparison between near-infrared （NIR） and mid-infrared （ATR-FTIR） spectroscopy for the multivariate determination of compositional properties in wheat bran samples[J]. Food Control， 2016， 60： 365-369.

[31] Zhang Y， Zou H Y， Shi P， et al. Determination of benzo[a]pyrene in cigarette mainstream smoke by using mid-infrared spectroscopy associated with a novel chemometric algorithm[J]. Analytica Chimica Acta， 2016， 902： 43-49.

[32] Ayvaz H， Cadavid A S， P. Aykas D， et al. Monitoring multicomponent quality traits in tomato juice using portable mid-infrared （MIR） spectroscopy and multivariate analysis[J]. Food Control， 2016， 66： 79-86.

[33] Guo T， Feng W H， Liu X Q， et al. Fourier transform mid-infrared spectroscopy （FT-MIR） combined with chemometrics for quantitative analysis of dextrin in Danshen （Salvia miltiorrhiza） granule[J]. Journal of Pharmaceutical and Biomedical Analysis， 2016， 123： 16-23.

[34] Jentzsch P V， Ciobota V， Salinas W， et al. Distinction of Ecuadorian varieties of fermented cocoa beans using Raman spectroscopy[J]. Food Chemistry， 2016， 211： 274-280.

[35] Xing Z， Du C W， Tian K， et al. Application of FTIR-PAS and Raman spectroscopies for the determination of organic matter in farmland soils[J]. Talanta， 2016， 158： 262-269.

[36] Mandrile L， Zeppa G， Giovannozzi A M， et al. Controlling protected designation of origin of wine by Raman spectroscopy[J]. Food Chemistry， 2016， 211： 260-267.

[37] Chen J， Li B Q， Cui Y Q， et al. A fast and effective method of quantitative analysis of VB1， VB2 and VB6 in B-vitamins complex tablets based on three-dimensional fluorescence spectra[J]. Journal of Food Composition and Analysis， 2015， 41： 122-128.

[38] Ahmad M H， Nache M， Waffenschmidt S， et al. Characterization of farinographic kneading process for different types of wheat flours using fluorescence spectroscopy and chemometrics[J]. Food Control， 2016， 66： 44-52.

[39] G. Shimamoto G， Tubino M. Quantification of methanol in biodiesel through 1H nuclear magnetic resonance spectroscopy[J]. Fuel， 2016， 175： 99-104.

[40] Rashidinejad A， J. Birch E， Hindmarsh J， et al. Molecular interactions between green tea catechins and cheese fat studied by solid-state nuclear magnetic resonance spectroscopy[J]. Food Chemistry， 2017， 215： 228-234.

[41] Souto U D T C P， Barbosa M F， Dantas H V， et al. Identification of adulteration in ground roasted coffees using UV-Vis spectroscopy and SPA-LDA[J]. LWT - Food Science and Technology， 2015， 63： 1 037-1 041.

[42] Domingues D S， Pauli E D， Abreu J E.M.D， et al. Detection of roasted and ground coffee adulteration by HPLC by amperometric and by post-column derivatization UV-Vis detection[J]. Food Chemistry， 2014， 146： 353-362.

[43] Belguidoum K， Guebailia H A， Boulmokh Y， et al. HPLC coupled to UV-vis detection for quantitative determination of phenolic compounds and caffeine in different brands of coffee in the Algerian market[J]. Journal of the Taiwan Institute of Chemical Engineers， 2014， 45： 1 314-1 320.

[44] Souto U T C P， Pontes M J C， Silva E C， et al. UV-Vis spectrometric classification of coffees by SPA-LDA[J]. Food Chemistry， 2010， 119： 368-371.

[45] Zhang X， Li W， Yin B， et al. Improvement of near infrared spectroscopic （NIRS） analysis of caffeine in roasted Arabica coffee by variable selection method of stability competitive adaptive reweighted sampling （SCARS） [J]. Spectrochimica Acta Part A： Molecular and Biomolecular Spectroscopy， 2013， 114： 350-356.

[46] Páscoa R N M J， Magalhaes L M， Lopes J A. FT-NIR spectroscopy as a tool for valorization of spent coffee grounds： Application to assessment of antioxidant properties[J]. Food Research International， 2013， 51： 579-586.

[47] Santos J R， Viegas O， Páscoa R N M J ， et al. In-line monitoring of the coffee roasting process with near infrared spectroscopy： Measurement of sucrose and colour[J]. Food Chemistry， 2016， 208： 103-110.

[48] Scholz M B S， Pagiatto N F， Kitzberger C S G， et al. Validation of near-infrared spectroscopy for the quantification of cafestol and kahweol in green coffee[J]. Food Research International， 2014， 61： 176-182.

[49] 陳舟華， 許麗莉， 秦 強(qiáng). 光譜分析法應(yīng)用于咖啡成分的測定和咖啡種類的鑒別[J]. 光譜學(xué)與光譜分析， 2014， 34： 1 688-1 692.

[50] Craig A P， Franca A S， Oliveira L S， et al. Fourier transform infrared spectroscopy and near infrared spectroscopy for the quantification of defects in roasted coffees[J]. Talanta， 2015， 134：379-386.

[51] Zhang C， Wang C， Liu F， et al. Mid-Infrared Spectroscopy for Coffee Variety Identification： Comparison of Pattern Recognition Methods[J]. Journal of Spectroscopy， 2016： 145-148，

[52] El-Abassy R M， Donfack P， Materny A. Discrimination between Arabica and Robusta green coffee using visible micro Raman spectroscopy and chemometric analysis[J]. Food Chemistry， 2011， 126： 1 443-1 448.

[53] Anke K， David V S， Carla R， et al. Discrimination of Green Arabica and Robusta Coffee Beans by Raman Spectroscopy[J]. Journal of Agricultural and Food Chemistry， 2010， 58： 11 187-11 192.

[54] Thomas W， Lucio D， Babette K， et al. Quantification of the Robusta fraction in a coffee blend via Raman spectroscopy： proof of principle[J]. Journal of Agricultural and Food Chemistry， 2011， 59： 9 074-9 079.

[55] Orzel J， Daszykowski M. A rapid validation of the antioxidant capacity of food commodities based on their fluorescence excitation emission spectra as applicable to coffee and peppermint extracts[J]. Chemometrics and Intelligent Laboratory Systems， 2014， 137：74-81.

[56] 田麗萍， 楊莉麗， 魏永巨. 咖啡酸的熒光光譜與熒光量子產(chǎn)率[J]. 分析實(shí)驗(yàn)室， 2009， 28：260-262.

[57] Rosa V， Antonella A， Zambonin C G， et al. Determination of ochratoxin A in green coffee beans by solid-phase microextraction and liquid chromatography with fluorescence detection[J]. Journal of Chromatography A， 2008， 1 187： 145-150.

[58] Monakhova Y B， Ruge W， Kuballa T， et al. Rapid approach to identify the presence of Arabica and Robusta species in coffee using 1H NMR spectroscopy[J]. Food Chemistry， 2015， 182：178-184.

[59] Arana V A， Medina J， Alarcon R， et al. Coffee's country of origin determined by NMR：The Colombian case[J]. Food Chemistry， 2015， 175： 500-506.

[60] D'Amelio N， Angelis E D， Navarini L， et al. Green coffee oil analysis by high-resolution nuclear magnetic resonance spectroscopy[J]. Talanta， 2013， 110： 118-127.

[61] Wei F， Furihata K， Miyakawa T， et al. A pilot study of NMR-based sensory prediction of roasted coffee bean extracts[J]. Food Chemistry， 2014， 152： 363-369.