近紅外光譜技術(shù)在肉品摻假檢測(cè)方面的研究進(jìn)展

,2

(1.河南科技學(xué)院食品學(xué)院,河南新鄉(xiāng) 453003; 2.河南科技學(xué)院博士后研發(fā)基地,河南新鄉(xiāng) 453003; 3.河南科技學(xué)院新科學(xué)院,河南新鄉(xiāng) 453003; 4.河南工業(yè)大學(xué)糧油食品學(xué)院,河南鄭州450001)

我國(guó)是肉制品的生產(chǎn)和消費(fèi)大國(guó),肉制品在居民食品消費(fèi)中占有很大比例[1-2],其含有豐富的蛋白質(zhì)、脂肪、維生素B2和B12等人體所必需的營(yíng)養(yǎng)物質(zhì),備受消費(fèi)者青睞[1,3]。2013年以來(lái),國(guó)內(nèi)外危害公眾健康的肉類食品安全事件頻繁發(fā)生,如馬肉事件,“假羊肉”事件及肉制品摻假,這一全球性問題引發(fā)了公眾以及各國(guó)政府對(duì)食品安全的擔(dān)憂和關(guān)注[3-9]。肉品摻假已成為我國(guó)食品行業(yè)的突出問題之一,這不僅影響人民群眾的生命健康、經(jīng)濟(jì)發(fā)展,甚至關(guān)乎社會(huì)穩(wěn)定和國(guó)家安全[10-12]。

肉制品摻假檢測(cè)方法目前主要有形態(tài)學(xué)鑒別法、蛋白質(zhì)分析法、DNA分析法和光譜分析法。形態(tài)學(xué)鑒別法依賴主觀判斷,對(duì)研究者的經(jīng)驗(yàn)積累要求較高;蛋白質(zhì)分析法能很好的檢測(cè)對(duì)熱穩(wěn)定的蛋白質(zhì)且靈敏度高,

表1 NIRS識(shí)別肉的種類Table 1 NIRS for meat identification

注:PCA:Principal component analysis,主成分分析。

常見的有電泳分析法、高效液相色譜法和免疫分析法,可以對(duì)肉制品進(jìn)行定性定量檢測(cè),但不適用于蛋白質(zhì)變性的產(chǎn)品,重復(fù)性差、耗時(shí)較長(zhǎng)等不足,在檢測(cè)中常作為輔助方法進(jìn)行使用;DNA分析法是目前最為成熟的方法,特異性強(qiáng)、準(zhǔn)確性高,適用于單一成分的檢測(cè),但是操作較為復(fù)雜;光譜分析法操作簡(jiǎn)單且對(duì)樣品無(wú)損壞,具有良好的應(yīng)用前景[1-3,6,8]。近紅外光譜(Near-Infrared Spectroscopy,NIRS)技術(shù),可通過獲取被測(cè)肉品的近紅外光譜信息,并使用化學(xué)計(jì)量學(xué)方法建立被測(cè)肉樣摻假和光譜信息之間定性定量關(guān)系,實(shí)現(xiàn)對(duì)摻假肉的快速無(wú)損檢測(cè)[13-15]。NIRS技術(shù)無(wú)需樣品前處理,易于操作,檢測(cè)時(shí)間短、成本低、效率高,被認(rèn)為是一種極具檢測(cè)應(yīng)用價(jià)值的有效方法,已被用于各種肉類質(zhì)量參數(shù)及食品摻假檢測(cè)研究[16-18]。

目前,運(yùn)用NIRS鑒別肉品摻假的研究成果頗多。本文主要綜述了2010年至今近NIRS技術(shù)在肉品摻假檢測(cè)方面的研究進(jìn)展和最新研究成果,主要涉及肉品種類識(shí)別和豬、牛、羊肉的摻假等方面,并對(duì)NIRS技術(shù)在肉品摻假檢測(cè)方面的應(yīng)用研究做出展望。

1 NIRS技術(shù)識(shí)別肉的種類

隨著社會(huì)的發(fā)展、居民生活水平的提高,人們的飲食結(jié)構(gòu)也在逐漸發(fā)生變化,動(dòng)物性蛋白質(zhì)在飲食中所占的比例呈現(xiàn)逐漸升高的趨勢(shì)。這使得許多不法商販以價(jià)格低廉的馬肉、豬肉、雞肉或其他動(dòng)物肉類冒充價(jià)格高昂的牛肉、羊肉,賺取高額利潤(rùn)[9]。這種以假亂真、以次充好的現(xiàn)象時(shí)有發(fā)生,造成了企業(yè)和個(gè)人的不正當(dāng)競(jìng)爭(zhēng),嚴(yán)重危害了消費(fèi)者的利益和健康。因此,日常生活中肉的種類識(shí)別意義重大,識(shí)別肉品種類、杜絕肉品造假是保障肉品安全的重要措施之一。

1.1 NIRS技術(shù)識(shí)別豬、牛、羊肉

Cozzolino等[19]采集400～2500 nm處牛肉、羊肉和豬肉樣本的可見/近紅外反射光譜,建立的主成分分析(principal component analysis,PCA)和偏最小二乘(Partial Least Squares Regression,PLSR)鑒別模型,準(zhǔn)確率可達(dá)85%,表明NIRS可以快速、準(zhǔn)確地鑒別不同物種的肉制品。馬釘凌等[20]采用可見光譜結(jié)合反向傳播人工神經(jīng)網(wǎng)絡(luò)對(duì)牛肉和豬肉進(jìn)行識(shí)別,識(shí)別率高達(dá)97.5%。王麗等[21]利用中紅外光譜技術(shù)對(duì)豬肉、牛肉進(jìn)行了識(shí)別。趙紅波等[22]采用近紅外漫反射光譜法,先對(duì)光譜數(shù)據(jù)進(jìn)行主成分降維處理,再利用其主成分分析來(lái)計(jì)算馬氏距離進(jìn)行判別,該模型對(duì)豬肉和牛肉的識(shí)別率比較高。Mamani-Linares等[23]在400～2500 nm處采集經(jīng)勻質(zhì)處理肉糜樣品的近紅外反射光譜,利用PCA和PLSR模型實(shí)現(xiàn)了樣品中牛肉的有效鑒別。與趙紅波等[22]相比,孟一等[24]通過近紅外光譜結(jié)合模式識(shí)別方法,對(duì)豬、牛、羊肉進(jìn)行定性識(shí)別,識(shí)別率顯著提高(見表1)。王昱陸等[25]基于400～1000 nm光譜,通過主成分得分為變量建立豬、牛、羊肉的識(shí)別模型,該模型預(yù)測(cè)結(jié)果比較理想。Alfar等[26]研究了在900～1500 nm波段下NIRS結(jié)合支持向量機(jī)算法(Support Vector Machine,SVM)對(duì)于牛、豬肉油脂樣品的分類鑒別,準(zhǔn)確度較高。Wiedemair等[27]在800～2500 nm波段馬肉區(qū)別于羊肉的識(shí)別準(zhǔn)確率可達(dá)100%,對(duì)馬肉和牛肉的區(qū)分也表現(xiàn)出良好的識(shí)別度(75%～100%)。

1.2 NIRS技術(shù)識(shí)別其他肉類

馬釘凌等[20]采用可見光譜結(jié)合反向傳播人工神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)雞肉進(jìn)行識(shí)別,鑒別準(zhǔn)確率明顯高于Cozzolino等[19]建立的PCA和PLSR鑒別模型。王麗等[21]利用光譜技術(shù)實(shí)現(xiàn)了明蝦肉和雞胸肉的識(shí)別。Wiedemair等[27]在800～2500 nm波段可準(zhǔn)確區(qū)分馬肉和雞肉。Alfar等[26]研究了900～1500 nm波段下雞油脂樣品的鑒別,準(zhǔn)確率達(dá)86.67%。應(yīng)用近紅外光譜儀,龔艷等[28]研究了在1000～2500 nm波長(zhǎng)條件下鑒別拔益加肉雞、京海黃雞和狼山雞的可行性,驗(yàn)證集準(zhǔn)確率達(dá)97.7%,實(shí)現(xiàn)了NIRS對(duì)雞肉品種的快速無(wú)損鑒別。同年,Mamani-Linares等[23]采集了400～2500 nm處肉糜樣品的反射光譜,利用PCA和PLSR模型實(shí)現(xiàn)了美洲鴕肉和馬肉的有效鑒別。

2 NIRS檢測(cè)肉品摻假

由于肉品的價(jià)格差異,不法商販以低價(jià)肉或其它病死動(dòng)物肉摻入高價(jià)肉制品中出售,這類肉品的摻假不僅損害了消費(fèi)者的利益,而且存在食品安全隱患[1,6,8]。隨著科學(xué)技術(shù)的不斷進(jìn)步,面對(duì)肉品摻假這個(gè)世界范圍內(nèi)的共同問題,國(guó)內(nèi)外學(xué)者不斷深入研究更快速、更可靠的摻假檢測(cè)分析模型[29]。

2.1 NIRS檢測(cè)豬肉摻假

豬肉是全球食用最多的肉類,中國(guó)是世界豬肉產(chǎn)量最大的國(guó)家。然而,近年來(lái),豬肉及其制品的摻假事件逐漸增多,嚴(yán)重?fù)p害消費(fèi)者的經(jīng)濟(jì)利益和身體健康[30]。豬肉及其制品的摻假可分為兩類:一類是非同源摻假,即原料肉中注水、注膠、摻違規(guī)添加劑等[31-32];另一類是同源摻假,即肉肉摻假,將低價(jià)肉或劣質(zhì)肉摻入到豬肉中,達(dá)到降低成本、牟取暴利的目的[33-34]。因此,快速、簡(jiǎn)便的摻假檢測(cè)技術(shù)已成為豬肉行業(yè)健康發(fā)展的有力保障。

楊志敏等[35]借助近紅外光譜儀測(cè)定樣品的漫反射光譜信息來(lái)鑒別豬肉中是否摻大豆蛋白,利用Fisher線性判斷得到的判別模型正確率達(dá)100%,利用偏最小二乘法建立大豆蛋白摻入量的定量檢測(cè)模型校正相關(guān)系數(shù)(rc)為0.966。Fan等[12]采用NIRS對(duì)豬肉中摻假肝臟和雞肉進(jìn)行檢測(cè),預(yù)測(cè)結(jié)果良好(見表2)。楊志敏等[36]采集了摻水、摻膠和摻鹽水的豬肉樣品的近紅外反射光譜,利用近紅外光譜技術(shù)結(jié)合主成分與多層感知器神經(jīng)網(wǎng)絡(luò)建立的摻假肉分類鑒別模型正確識(shí)別率達(dá)高94.2%。孟一等[32]采集1000～2500 nm光譜范圍內(nèi)豬肉樣品反射信息,用近紅外光譜結(jié)合PCA和判別分析法建立了注水肉、注膠肉和正常肉的定性判別模型,該模型對(duì)所有預(yù)測(cè)集樣品的總體判別準(zhǔn)確率為94.92%。此外,該課題研究小組還采用偏最小二乘結(jié)合主成分分析建立注水量和注膠量的定量檢測(cè)分析模型,預(yù)測(cè)相關(guān)系數(shù)(rp)分別為0.925和0.930,結(jié)果表明該模型對(duì)豬肉的注水量和注膠量均有良好的預(yù)測(cè)性能。蔣祎麗等[30]采集肉樣在波長(zhǎng)1000～2500 nm處的光譜信息,用偏最小二乘判別分析方法(partial least squares discriminant analysis,PLS-DA)建立判別模型以識(shí)別豬肉糜中是否摻加雞肉糜,準(zhǔn)確率高達(dá)100%。郝冬梅等[31]基于600～1300 nm光譜和稀疏表示的檢測(cè)方法對(duì)豬肉注水的平均識(shí)別準(zhǔn)確率達(dá)93.16%。蔣祎麗等[37]預(yù)處理1000～2500 nm光譜后結(jié)合PCA,建立豬肉中摻鴨肉的PLS-DA模型,正確判別率達(dá)100%。Wiedemair等[27]采集豬肉摻假樣品在800～2500 nm處的近紅外光譜信息建立PLSR鑒別模型交叉驗(yàn)證相關(guān)系數(shù)(rcv)為0.938,交叉驗(yàn)證均方根誤差(RMSECV)為11.95%。

2.2 NIRS檢測(cè)牛肉摻假

牛肉是一種營(yíng)養(yǎng)價(jià)值很高的肉類產(chǎn)品,其氨基酸組成相比較其他肉類更接近人體需求。市場(chǎng)上肉糜摻入廉價(jià)的肉類或內(nèi)臟代替牛肉,作為非法增加利潤(rùn)的手段以賺取暴利的現(xiàn)象屢見不鮮[38-39]。

針對(duì)市面上牛肉中摻假豬肉的現(xiàn)象,張玉華等[40]運(yùn)用近紅外結(jié)合PCA法、判別分析法,建立牛肉摻豬肉的定性鑒別模型,其鑒別準(zhǔn)確率可達(dá)97.86%。白亞斌等[39]在400～1000光譜范圍內(nèi)利用高光譜技術(shù)建立牛肉摻豬肉的快速檢測(cè)模型,結(jié)果顯示摻假定量檢測(cè)模型具有較高的準(zhǔn)確性和穩(wěn)定性(rp=0.990,RMSEP=4.23%)。類似地,楊清華等[41]通過閾值選取高光譜圖感興趣區(qū)域采用光譜-理化值共生距離法(sample set partitioning based on joint x-y distance,SPXY)對(duì)牛肉樣品分集后建立的PLSR模型獲得了相似的預(yù)測(cè)結(jié)果。由于牛肉丸中摻假豬肉現(xiàn)象頻繁發(fā)生,2011年,Rohman等[42]以脂肪為研究對(duì)象,利用傅里葉變換光譜技術(shù)和偏最小二乘法分析牛肉丸中摻假豬肉,結(jié)果表明該技術(shù)可用于定量分析牛肉丸中摻假豬肉。同樣地,Kuswandi等[43]對(duì)牛肉丸中的豬肉摻假問題進(jìn)行研究并建立了兩種預(yù)測(cè)模型。其中,PLSR模型可用于定量預(yù)測(cè)摻假肉丸,而線性判別分析(Linear Discriminant Analysis,LDA)模型可用于鑒別純牛肉丸和摻假牛肉丸。市售牛肉香腸以商販自制為主,牛肉的純度難以確定,Schmutzler等[44]基于近紅外光譜數(shù)據(jù)使用多變量分析方法,建立了小牛肉香腸中摻假豬肉的模型,得出的摻假率高達(dá)10%。NIRS技術(shù)結(jié)合PCA與SVM算法,Schmutzler等[45]可以精確地檢測(cè)出市場(chǎng)上銷售的純小牛肉香腸中是否摻假豬肉。

市場(chǎng)上以雞肉和鴨肉充當(dāng)牛肉的現(xiàn)象也較為常見,Alamprese等[46]采集牛肉摻假火雞肉樣品的紫外、近紅外和中紅外反射光譜,運(yùn)用PCA、LDA和PLSR分別建立鑒別模型,通過對(duì)比其精度得出利用近紅外和中紅外光譜建立的模型可以準(zhǔn)確識(shí)別摻假樣品,而紫外光譜模型結(jié)果不太理想。Alamprese等[47]基于FT-NIR光譜和多元分析的方法建立PLSR模型(rp>0.940,RMSEP<10.8%),可實(shí)現(xiàn)對(duì)牛肉糜摻假火雞肉進(jìn)行鑒別和定量分析。Kamruzzaman等[48]在400～1000 nm波段建立的PLSR預(yù)測(cè)模型用于牛肉中摻雞肉的檢測(cè),預(yù)測(cè)效果較理想。同年,張麗華等[49]對(duì)牛肉中摻假鴨肉進(jìn)行判別研究,光譜數(shù)據(jù)經(jīng)MSC預(yù)處理后所建的nu-SVM模型正確判別率為97.09%,可以實(shí)現(xiàn)牛里脊肉中摻假鴨肉的判別。

除此之外,Kamruzzaman等[38]采用實(shí)驗(yàn)室高光譜成像技術(shù)對(duì)牛肉糜中摻假馬肉進(jìn)行了檢測(cè),結(jié)果(見表2)表明,NIRS結(jié)合PLSR建模方法可以成功地應(yīng)用于牛肉糜摻假水平的快速檢測(cè)。同樣地,Ropodi等[50]運(yùn)用多光譜成像技術(shù)結(jié)合數(shù)據(jù)分析方法檢測(cè)牛肉糜中摻假馬肉,總的正確分類率為95.31%,驗(yàn)證了該方法的可行性。

近紅外光譜技術(shù)結(jié)合相應(yīng)算法還可以實(shí)現(xiàn)牛肉品質(zhì)的鑒別。Chen等[51]利用光譜分析方法對(duì)變質(zhì)牛肉摻假進(jìn)行定量分析,在可見/近紅外波段提取最優(yōu)波長(zhǎng)建立最佳PLSR模型(rc=0.954,RMSEC=0.08),該模型預(yù)測(cè)精度較高。Zhao等[52]在496～1000 nm波長(zhǎng)范圍下,對(duì)比不同的多元數(shù)據(jù)分析方法構(gòu)建牛肉中摻假變質(zhì)牛肉的最小二乘

表2 NIR技術(shù)檢測(cè)肉品摻假Table 2 NIRS for identification of meat adulteration

注:PLSR:Partial least squares regression,偏最小二乘回歸;PLSR-DA:Partial least squares discriminant analysis,偏最小二乘判別分析法。PCA:Principal component analysis,主成分分析;LS-SVM:least squares support vector machine,最小二乘支持向量機(jī);MLR:Multiple linear regression,多元線性回歸;CARS:Competitive adaptive reweighted sampling,競(jìng)爭(zhēng)性自適應(yīng)加權(quán)算法;rc:Correlation coefficient of calibration,校正相關(guān)系數(shù);RMSEC:Root mean square error of calibration,校正均方根誤差;rp:Correlation coefficient of prediction,預(yù)測(cè)相關(guān)系數(shù);RMSEP:Root mean square error of prediction,預(yù)測(cè)均方根誤差。

支持向量機(jī)(least squares support vector machine,LS-SVM)全波段模型,得到了更好的預(yù)測(cè)性(rc=0.970,RMSEC=5.39%)。Morsy[53]研究了冷凍和新鮮狀態(tài)下牛肉的摻假預(yù)測(cè),通過采集400～2500 nm波長(zhǎng)范圍樣品的光譜數(shù)據(jù)并建立摻假預(yù)測(cè)模型(見表2),冷凍較新鮮狀態(tài)下模型精度略有下降,但仍具有較高的預(yù)測(cè)性。Velásquez等[54]利用400～1000 nm處光譜圖像以牛肉大理石花紋的形狀和分布參數(shù),建立牛肉大理石紋分類系統(tǒng)實(shí)現(xiàn)了牛肉品質(zhì)的分級(jí)。

2.3 NIRS檢測(cè)羊肉摻假

羊肉作為中國(guó)傳統(tǒng)的食補(bǔ)典型代表,是最受歡迎的肉品之一,其健康、安全的營(yíng)養(yǎng)特性被廣泛認(rèn)可[55]。近年來(lái),常有不法商販以豬肉、雞肉、鴨肉等替代羊肉進(jìn)行銷售,不僅危害了羊肉市場(chǎng)的秩序,也挫傷了宗教信仰消費(fèi)者的購(gòu)買熱情。由于鴨肉色澤與兩周歲的羊肉色澤較為接近,而且鴨肉紋理細(xì)膩,有一定的肌纖維,這就為羊肉摻假提供了天然的便利條件[56]。

Kamruzzaman等[57]利用910～1700 nm處樣品的全波段光譜數(shù)據(jù)建立PLSR模型,對(duì)羊肉糜摻假豬肉的程度進(jìn)行預(yù)測(cè),該模型具有很好的預(yù)測(cè)能力(rc=0.995,RMSEC=1.08%)。該課題組篩選最優(yōu)波長(zhǎng)后建立的PLSR模型和多元線性回歸(Multiple linear regression,MLR)模型在預(yù)測(cè)羊肉摻假方面均顯示出良好的穩(wěn)定性。張玉華等[40]運(yùn)用近紅外結(jié)合PCA法、判別分析法,建立羊肉摻假的定性鑒別模型,其中羊肉摻豬肉、羊肉摻鴨肉的訓(xùn)練集鑒別準(zhǔn)確率分別為98.28%和99.59%。劉友華等[58]針對(duì)羊肉摻假豬肉的定量檢測(cè)問題,建立高光譜圖像(390～1040 nm)基于競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法的最優(yōu)模型(rc=0.980,RMSEC=6.55%)。張麗華等[56]在光譜1000～2500 nm范圍采集樣品的近紅外漫反射光譜圖結(jié)合平滑預(yù)處理后建立nu-SVM模型可以實(shí)現(xiàn)羊肉中摻雜鴨肉的鑒別。Wiedemair等[27]采集羊肉摻假樣品在800～2500 nm處的近紅外光譜信息建立PLSR鑒別模型(rcv=0.970,RMSECV=7.52%)。Zhang等[55]基于近紅外光譜成像技術(shù)結(jié)合PLSR模型預(yù)測(cè)羊肉糜中摻假鴨肉程度,400～2000 nm全波段模型測(cè)定結(jié)果有很好的相關(guān)性(rc=0.999,RMSEC=0.66%),應(yīng)用提取的14個(gè)最優(yōu)波長(zhǎng)所建立的PLSR模型也取得很好的預(yù)測(cè)結(jié)果(rc=0.998,RMSEC=1.92%)。

2.4 NIRS檢測(cè)其他肉類摻假

在人民日常生活中,雞肉及其制品以優(yōu)質(zhì)的蛋白質(zhì)、鮮嫩的口感、低廉的價(jià)格等優(yōu)勢(shì)廣受歡迎[59-60]。隨著人們生活水平的提高,人們對(duì)雞類肉制品的色澤、口感、營(yíng)養(yǎng)價(jià)值及衛(wèi)生指標(biāo)有了更嚴(yán)格的要求[29,61]。Wiedemair等[27]采用傅里葉變換近紅外光譜建立PLSR模型實(shí)現(xiàn)雞肉中豬肉摻假率在10%以下的鑒別(rc=0.883,RMSEC=2.32%)。此外,該項(xiàng)目組采集雞肉摻假樣品在800～2500 nm處的近紅外光譜信息建立PLSR鑒別模型(rcv=0.922,RMSECV=13.83%)。

魚類和其他海產(chǎn)品在為人類健康和國(guó)際貿(mào)易提供優(yōu)質(zhì)產(chǎn)品方面發(fā)揮著重要作用[62-63]。目前,由于水產(chǎn)品的易損性和易腐性,需要尋找快捷和高效的技術(shù)來(lái)監(jiān)測(cè)質(zhì)量變化和安全指標(biāo)[64-68]。為了研究魚肉的貯藏時(shí)間和摻假情況,Shan等[69]在波長(zhǎng)400～1000 nm范圍內(nèi)采集鯽魚完整魚(帶魚鱗)的光譜信息,建立了預(yù)測(cè)貯藏時(shí)間的最優(yōu)PLSR模型,新鮮魚和解凍魚的rcv分別為0.894和0.917。相同的方法,建立預(yù)測(cè)鯽魚片的貯藏時(shí)間的最優(yōu)PLSR模型,新鮮魚片和解凍魚片的rcv均為0.917。此外,采用偏最小二乘判別分析(PLS-DA)算法,利用完整魚(帶魚鱗)的光譜建立新鮮魚和解凍魚的分類模型,準(zhǔn)確識(shí)別率可達(dá)100%。類似的,利用鯽魚片的鱗片、肉片和皮片提取光譜并建立新鮮魚和解凍魚的分類模型,識(shí)別結(jié)果較好,準(zhǔn)確率分別為92.5%、97.5%和97.5%。

3 展望

NIRS技術(shù)為肉及其制品摻假的快速檢測(cè)方面提供技術(shù)支持,為肉品質(zhì)量提供安全保障。盡管如此,NIRS技術(shù)的應(yīng)用尚未形成完整的體系和方法,需要加強(qiáng)與統(tǒng)計(jì)和數(shù)學(xué)科學(xué)的結(jié)合,以顯著增強(qiáng)檢測(cè)技術(shù)的應(yīng)用潛力。在未來(lái)的研究中,應(yīng)著重考慮以下幾點(diǎn):(1)擴(kuò)大樣品采集范圍,增加檢測(cè)模型的覆蓋面和通用性;(2)深入研究特征波長(zhǎng)的篩選方法和模型構(gòu)建方式,以最大限度增強(qiáng)模型精度和穩(wěn)定性;(3)不同光譜設(shè)備之間模型轉(zhuǎn)移和信息融合,以增強(qiáng)模型適用性;(4)研發(fā)生產(chǎn)線檢測(cè)設(shè)備,提高在線食品摻假檢測(cè)的準(zhǔn)確率。在大量實(shí)驗(yàn)數(shù)據(jù)的支撐和理論研究成果的不斷完善下,NIRS技術(shù)將可為食品質(zhì)量與安全、維護(hù)消費(fèi)者權(quán)益保駕護(hù)航。