多光譜成像技術(shù)在食品營(yíng)養(yǎng)品質(zhì)檢測(cè)方面的應(yīng)用進(jìn)展

,*

(1.華南理工大學(xué)食品科學(xué)與工程學(xué)院,廣東廣州 510640;2.華南理工大學(xué)現(xiàn)代食品工程研究中心,廣東廣州 510006;3.菏澤職業(yè)學(xué)院食品科學(xué)與化學(xué)工程系,山東菏澤 274000)

食品產(chǎn)業(yè)是關(guān)系民生的重要產(chǎn)業(yè),近幾十年來(lái),隨著經(jīng)濟(jì)的迅速發(fā)展和生活水平的提升,人們對(duì)食品營(yíng)養(yǎng)的認(rèn)識(shí)逐漸加深,食品營(yíng)養(yǎng)品質(zhì)逐漸成為影響食品消費(fèi)的重要因素之一[1]。營(yíng)養(yǎng)品質(zhì)檢測(cè)主要針對(duì)兩個(gè)方面,一是食品中營(yíng)養(yǎng)素的含量,如肉類中的蛋白質(zhì)、脂質(zhì)、水分含量,水果中的可溶性固形物、生物活性物質(zhì)含量,以及作物的淀粉含量等;二是食品在加工、貯藏、運(yùn)輸、銷(xiāo)售過(guò)程中,營(yíng)養(yǎng)物質(zhì)可能發(fā)生的物理或化學(xué)屬性上的變化。然而,許多營(yíng)養(yǎng)品質(zhì)的評(píng)價(jià)依舊采用復(fù)雜的、耗時(shí)的、破壞性的、甚至是經(jīng)驗(yàn)主義的方法進(jìn)行檢測(cè)[2],如何快速、無(wú)損、準(zhǔn)確地檢測(cè)食品營(yíng)養(yǎng)品質(zhì)已經(jīng)成為研究的熱點(diǎn)。學(xué)者們利用聲學(xué)、光學(xué)、電磁學(xué)等手段對(duì)快速無(wú)損檢測(cè)技術(shù)進(jìn)行了探索[3],高光譜成像技術(shù)受到了研究者們的關(guān)注。

與成像技術(shù)和光譜技術(shù)相比,高光譜成像技術(shù)將二者的優(yōu)勢(shì)結(jié)合起來(lái),既能獲得空間的圖像信息,又可以得到光譜信息,從而形成可以反映食品物理及化學(xué)屬性差異的三維信息立方體(空間二維信息+一維光譜信息)[3],并且可以將屬性差異轉(zhuǎn)化為可視化的二維分布圖像。然而,由于高光譜成像技術(shù)需要采集和分析數(shù)百幅連續(xù)光譜范圍內(nèi)的圖像,其運(yùn)行速度大打折扣,尤其限制了其在工業(yè)生產(chǎn)實(shí)時(shí)檢測(cè)方面的潛力[4]。

多光譜成像技術(shù)作為對(duì)高光譜成像技術(shù)的一種改進(jìn)技術(shù),離散光譜范圍內(nèi)收集和分析數(shù)據(jù)[5],從而大大簡(jiǎn)化了數(shù)據(jù),減少了冗余信息,提升了處理速度。基于這個(gè)優(yōu)勢(shì),多光譜成像技術(shù)在近年來(lái)被廣泛關(guān)注,該技術(shù)滿足了工業(yè)生產(chǎn)中對(duì)檢測(cè)技術(shù)的速度需求,為下一步開(kāi)發(fā)快速無(wú)損、準(zhǔn)確高效的實(shí)時(shí)檢測(cè)工具提供了可能[6]。目前為止,還沒(méi)有相關(guān)文獻(xiàn)對(duì)多光譜成像技術(shù)在食品營(yíng)養(yǎng)品質(zhì)檢測(cè)方面的研究進(jìn)展進(jìn)行綜述報(bào)道,因此,本文旨在對(duì)近五年多光譜成像技術(shù)在食品營(yíng)養(yǎng)品質(zhì)檢測(cè)領(lǐng)域的研究進(jìn)展進(jìn)行探討。首先介紹了多光譜成像技術(shù)原理以及對(duì)多光譜成像技術(shù)在肉品、果蔬、糧食作物的營(yíng)養(yǎng)品質(zhì)檢測(cè)方面的應(yīng)用進(jìn)行了分析,最后對(duì)多光譜成像技術(shù)目前的局限性和未來(lái)發(fā)展?jié)摿M(jìn)行了探討。

1 多光譜成像技術(shù)

經(jīng)典的多光譜成像系統(tǒng)主要由相機(jī)、過(guò)濾和分散裝置、光源、外殼和樣品載物臺(tái)等部件組成,反射光通過(guò)一定波段范圍的濾光鏡后進(jìn)入成像系統(tǒng),形成樣本的多光譜信息。圖2為丹麥Videometer公司的VideometerLab多光譜成像儀,其在405～970 nm波段內(nèi)選取了19個(gè)特殊波長(zhǎng)(405、435、450、470、505、525、570、590、630、645、660、700、780、850、870、890、910、940、970 nm)進(jìn)行信息采集,該系統(tǒng)在多項(xiàng)研究中得到了廣泛的應(yīng)用[7-12]。多光譜成像系統(tǒng)與高光譜成像系統(tǒng)非常相似,但其不同之處在于,作為高光譜成像技術(shù)的改進(jìn),多光譜成像技術(shù)利用化學(xué)計(jì)量學(xué)分析手段,將高光譜成像數(shù)據(jù)中的有用信息進(jìn)行放大,并去除了不需要的信息[13]。多光譜成像系統(tǒng)獲取的測(cè)試樣本圖像的光譜波段是離散的、不連續(xù)的、不規(guī)則的,而高光譜成像系統(tǒng)中的每一個(gè)像素都有完整的、連續(xù)的光譜,因此多光譜成像系統(tǒng)采集和分析信息的時(shí)間以及信息的復(fù)雜程度遠(yuǎn)低于高光譜成像系統(tǒng)。化學(xué)計(jì)量學(xué)分析技術(shù)的優(yōu)勢(shì)在于降低數(shù)據(jù)復(fù)雜程度,構(gòu)建準(zhǔn)確性高和魯棒性強(qiáng)的模型[14]。該技術(shù)主要分為兩部分:變量選擇算法和建模算法。變量選擇算法通常用于選擇信息最豐富的光譜區(qū)域以簡(jiǎn)化建模,主要包括:主成分分析(Principal component analysis,PCA)[9]、連續(xù)投影算法(Successive projections algorithm,SPA)[15-16]、回歸系數(shù)分析(Regression coefficient,RC)[17-18]、無(wú)信息變量消除(Uninformation variable elimination,UVE)[19]、變量重要性指標(biāo)(Variable importance in projection,VIP)[16]和遺傳算法(Genetic algorithm,GA)[20]等。常用的建模算法包括多元線性回歸(Multiple linear regression,MLR)[19,21],偏最小二乘回歸(Partial least squares regression,PLSR)[22-23],反向傳播神經(jīng)網(wǎng)絡(luò)(Back-propagation neural network,BPNN)[11]和最小二乘支持向量機(jī)(Least-square support vector machine,LS-SVM)[15,24]等。模型建立后,需要用一些統(tǒng)計(jì)參數(shù)來(lái)評(píng)價(jià)模型的準(zhǔn)確性,常用的統(tǒng)計(jì)參數(shù)有決定系數(shù)(Coefficient of determination,R2)、相關(guān)系數(shù)(Coefficient of association,R)、均方根誤差(Root mean square error,RMSE)。在每項(xiàng)試驗(yàn)中,通常都要得到校準(zhǔn)集、交叉驗(yàn)證和預(yù)測(cè)集三組的統(tǒng)計(jì)參數(shù)[14]。此外,由于幾乎所有的有機(jī)化合物的主要結(jié)構(gòu)和官能團(tuán)都可以在可見(jiàn)/近紅外光譜(300～2500 nm)中檢測(cè)到,因此,多光譜成像系統(tǒng)的工作波段一般在可見(jiàn)及近紅外光譜區(qū)[25]。

圖1 VideometerLab多光譜成像系統(tǒng)[8] Fig.1 VideometerLab Instrument[8]注:(a)外觀;(b)內(nèi)部構(gòu)造。

2 多光譜成像技術(shù)在食品營(yíng)養(yǎng)品質(zhì)檢測(cè)中的應(yīng)用

2.1 肉類營(yíng)養(yǎng)品質(zhì)檢測(cè)

通常所說(shuō)的肉類一般包括畜肉、禽肉和水產(chǎn)品,富含優(yōu)質(zhì)蛋白質(zhì)、脂類、脂溶性維生素、維生素B族和礦物質(zhì)等,是平衡膳食的重要組成部分[26]。隨著居民生活水平的提高,肉類消費(fèi)量逐年增加。預(yù)計(jì)到2025年,世界肉品年消費(fèi)量將增加到35649萬(wàn)噸,中國(guó)肉品年消費(fèi)量增加至9996萬(wàn)噸[27],百姓對(duì)肉品營(yíng)養(yǎng)品質(zhì)的期望也隨著消費(fèi)水平的提高而增加。因此,在進(jìn)入市場(chǎng)流通前,必須對(duì)肉品的營(yíng)養(yǎng)品質(zhì)進(jìn)行檢測(cè),以保障肉品質(zhì)量和實(shí)現(xiàn)不同質(zhì)量肉品等級(jí)分級(jí)。

表1 多光譜成像在肉類營(yíng)養(yǎng)品質(zhì)檢測(cè)方面的應(yīng)用 Table 1 Multispectral imaging for detection of meat nutritional quality

除了水分、脂肪、蛋白質(zhì)等常見(jiàn)營(yíng)養(yǎng)素外,多光譜成像技術(shù)還廣泛地應(yīng)用于一些肉類中的特殊營(yíng)養(yǎng)素的預(yù)測(cè),如豬肉中的血紅素鐵和非血紅素鐵[8]、魚(yú)肉中的二十二碳六烯酸(Docosahexaenoic acid,DHA)、二十碳五烯酸(Eicosapentaenoic,EPA)[29]和蝦青素[30]、以及關(guān)鍵營(yíng)養(yǎng)素的降解程度指標(biāo)如硫代巴比妥酸值(Thiobarbituric acid reactive substances,TBARS)[31-32]、揮發(fā)性鹽基氮(Total volatile basic nitrogen,TVB-N)[33]等影響肉品新鮮度的指標(biāo)。這些檢測(cè)都取得了良好的效果,說(shuō)明多光譜成像技術(shù)有較大的潛力對(duì)肉類中的營(yíng)養(yǎng)物質(zhì)進(jìn)行快速無(wú)損檢測(cè)。研究人員注意到,通過(guò)對(duì)肉品各種營(yíng)養(yǎng)成分含量、分布情況及其隨條件變化的檢測(cè),可以比較得出不同品種、不同環(huán)境條件下肉類品質(zhì)的差異,進(jìn)而可以對(duì)肉類進(jìn)行鑒別與分類。余俊杰等[9]利用多光譜成像技術(shù)結(jié)合化學(xué)計(jì)量學(xué)方法,利用SVM建立分類模型,對(duì)不同方法處理的冷凍牛肉樣本進(jìn)行鑒別分類,其預(yù)測(cè)集分類準(zhǔn)確度為83.33%;Ropodi等[34]利用多光譜成像信息結(jié)合數(shù)據(jù)分析方法,建立two-step SVM分類模型,對(duì)摻有牛肉肉糜的馬肉肉糜進(jìn)行鑒別區(qū)分,分類準(zhǔn)確度高達(dá)95.31%;此外,Ropodi等[35]研究也表明,新鮮牛肉肉糜和不同冷凍時(shí)間的冷凍后解凍牛肉肉糜亦可以被多光譜成像技術(shù)準(zhǔn)確分類,準(zhǔn)確率達(dá)到100%。由此可知,多光譜成像技術(shù)在肉類分類分級(jí)和鑒別摻假肉類方面也有不錯(cuò)的效果。

2.2 果蔬營(yíng)養(yǎng)品質(zhì)檢測(cè)

水果蔬菜一直是健康膳食的重要組成部分,其富含維生素(尤其是維生素A與維生素C)、人體所需的礦物質(zhì)、水分、糖分和膳食纖維[40]。除了提供能量和營(yíng)養(yǎng)外,果蔬還有預(yù)防某些疾病的功效[41]。過(guò)去幾十年間,果蔬消費(fèi)量隨著經(jīng)濟(jì)發(fā)展和人們對(duì)健康膳食了解的深入而快速增長(zhǎng),與此同時(shí),消費(fèi)者對(duì)果蔬營(yíng)養(yǎng)品質(zhì)的期望也逐漸變高。然而,果蔬的保質(zhì)期較短不宜存放且在貯藏運(yùn)輸銷(xiāo)售過(guò)程中營(yíng)養(yǎng)物質(zhì)變化較快,對(duì)其營(yíng)養(yǎng)價(jià)值和消費(fèi)價(jià)格影響較大,因此有必要對(duì)果蔬的營(yíng)養(yǎng)品質(zhì)進(jìn)行快速無(wú)損檢測(cè)。

可溶性固形物含量(Soluble solids content,SSC)是指包括可溶性糖、酸、維生素、礦物質(zhì)和纖維素等成分的綜合型指標(biāo),是評(píng)價(jià)果蔬營(yíng)養(yǎng)品質(zhì)的重要參數(shù)[3]。但是,現(xiàn)行的SSC檢測(cè)標(biāo)準(zhǔn)使用的方法是折射儀法[42],用時(shí)長(zhǎng)且需要破壞樣品。因此,如何快速無(wú)損地檢測(cè)果蔬中的SSC一直是研究者們關(guān)注的重點(diǎn)。Liu等[10]利用多光譜成像系統(tǒng),對(duì)草莓的SSC進(jìn)行預(yù)測(cè),他們?cè)?05～970 nm的波段內(nèi)選取了19個(gè)關(guān)鍵波長(zhǎng)進(jìn)行信息采集,建立BPNN模型,得到R2=0.689,預(yù)測(cè)結(jié)果一般。而Khodabakhshian等[43]建立的多光譜成像系統(tǒng),在400～1100 nm的波段內(nèi),選取六個(gè)關(guān)鍵波長(zhǎng)(450、521、630、780、853、950 nm),利用MLR模型對(duì)石榴的SSC進(jìn)行預(yù)測(cè),得到R=0.97,取得了良好的效果。除了直接利用多光譜成像系統(tǒng)外,更多的研究是建立在高光譜成像的基礎(chǔ)上,利用變量選擇算法提取關(guān)鍵波長(zhǎng),然后建立多光譜模型對(duì)SSC進(jìn)行預(yù)測(cè)。Li等[44]提出了MC-UVE和SPA的新變量選擇算法組合,并用該組合選取了18個(gè)關(guān)鍵波長(zhǎng),并用PLSR建立模型對(duì)鴨梨的SSC進(jìn)行預(yù)測(cè),得到預(yù)測(cè)集的R=0.88,RMSE=0.35°Brix,總體結(jié)果良好。在選取合適數(shù)量關(guān)鍵波長(zhǎng)的情況下,多光譜模型既減少了需要處理的信息量,提升了處理速度,又能保證模型的準(zhǔn)確性不受較大影響[45]。

除了可溶性固形物外,色素、酚類及黃酮類化合物也是果蔬中重要的營(yíng)養(yǎng)物質(zhì)。Liu等[11]利用VideometerLab多光譜成像儀,對(duì)番茄中的番茄紅素和總酚類物質(zhì)進(jìn)行檢測(cè),通過(guò)BPNN模型,得到預(yù)測(cè)準(zhǔn)確度分別為R2=0.938和R2=0.965。Shui等[24]也利用該多光譜成像儀對(duì)菊花中的木犀草素含量進(jìn)行了研究,他們建立了LS-SVM模型,得到的預(yù)測(cè)準(zhǔn)確度為R2=0.965。其他多光譜成像技術(shù)在果蔬營(yíng)養(yǎng)品質(zhì)檢測(cè)方面的應(yīng)用見(jiàn)表2。

在實(shí)時(shí)檢測(cè)的研究方面,Liu等[12]利用VideometerLab多光譜成像儀,對(duì)胡蘿卜片在熱空氣中脫水的過(guò)程中的水分含量變化。他們選擇60 ℃的空氣溫度來(lái)模擬工業(yè)實(shí)踐并保持熱敏胡蘿卜成分的生物活性。為了獲得不同水分含量,將總共700個(gè)胡蘿卜切片在熱風(fēng)烘箱中脫水7個(gè)時(shí)間段0、30、60、120、180、240和300 min(每個(gè)脫水期100個(gè)樣品)。研究者們利用BPNN模型對(duì)水分含量進(jìn)行預(yù)測(cè),得到結(jié)果為R2=0.991,顯示出良好的預(yù)測(cè)性。這個(gè)實(shí)驗(yàn)也說(shuō)明,多光譜成像技術(shù)有很大的潛力對(duì)加工過(guò)程中果蔬營(yíng)養(yǎng)品質(zhì)的變化進(jìn)行實(shí)時(shí)檢測(cè)。

表2 多光譜成像在果蔬營(yíng)養(yǎng)品質(zhì)檢測(cè)方面的應(yīng)用Table 2 Multispectral imaging for detection of fruit and vegetable nutritional quality

2.3 糧油作物營(yíng)養(yǎng)品質(zhì)檢測(cè)

糧油作物指谷類作物、薯類作物和豆類作物,一般作為人的主食,為人類提供淀粉、蛋白質(zhì)、油脂和膳食纖維等營(yíng)養(yǎng)物質(zhì)。糧油作物種植范圍廣,種類繁雜,品質(zhì)不一,因此多光譜成像技術(shù)對(duì)糧油作物的品質(zhì)檢測(cè)主要集中于來(lái)源的區(qū)分和品種的鑒別方面。

Liu等[48]利用VideometerLab多光譜成像儀,對(duì)非轉(zhuǎn)基因水稻種子中混有的轉(zhuǎn)基因蘇云金芽孢桿菌水稻種子進(jìn)行了鑒別,通過(guò)LS-SVM模型,達(dá)到了100%的鑒別率,達(dá)到了良好的分類效果。Sun等[52]利用高光譜成像系統(tǒng),在390～2548 nm的光譜范圍內(nèi),利用PCA選取9個(gè)關(guān)鍵波長(zhǎng),再通過(guò)建立的SVM模型對(duì)來(lái)自四個(gè)地區(qū)的不同水稻品種進(jìn)行鑒別,準(zhǔn)確率達(dá)到了91.67%。在玉米品種鑒別方面,Yang等[55]對(duì)糯玉米種子的胚芽側(cè)和胚乳側(cè)分別進(jìn)行多光譜成像的鑒別,利用SPA在胚芽側(cè)選取26個(gè)關(guān)鍵波長(zhǎng),胚乳側(cè)選取19個(gè)關(guān)鍵波長(zhǎng),利用SVM進(jìn)行建模,分類準(zhǔn)確率在胚芽側(cè)高達(dá)98.2%,胚乳側(cè)亦高達(dá)96.3%,顯示出了良好的準(zhǔn)確性。

除品種鑒別外,多光譜成像技術(shù)在針對(duì)某種糧油作物的特殊營(yíng)養(yǎng)物質(zhì)(如花生中的油脂、馬鈴薯中的淀粉、咖啡豆中的咖啡因等)檢測(cè)中也得到了廣泛的應(yīng)用。Zhang等[56]在874～1734 nm范圍內(nèi)利用高光譜成像系統(tǒng)進(jìn)行信息采集,利用隨機(jī)蛙跳(Random frog,RF)選取了13個(gè)關(guān)鍵波長(zhǎng)(1254、1257、1268、1278、1281、1291、1342、1352、1355、1359、1379、1392、1396 nm),PLSR模型獲得了滿意的效果,預(yù)測(cè)決定系數(shù)R2=0.878。Jin等[58]利用高光譜成像系統(tǒng)檢測(cè)花生中的含油量,在1000～2500 nm范圍內(nèi)利用RC選擇了六個(gè)關(guān)鍵波長(zhǎng),建立PLSR模型預(yù)測(cè)五種花生中的含油量,預(yù)測(cè)決定系數(shù)R2=0.934,預(yù)測(cè)效果良好。

分時(shí)檢測(cè)在糧油作物方面同樣有相關(guān)研究,Sun等[60]將120個(gè)紫薯切片平均分成六組的六個(gè)不同干燥時(shí)長(zhǎng)(0、30、60、120、180、240 min)進(jìn)行超聲熱風(fēng)聯(lián)合干燥。將干燥好的切片放入高光譜成像系統(tǒng)進(jìn)行檢測(cè),利用RC選取十個(gè)關(guān)鍵波長(zhǎng),然后建立MLR模型校準(zhǔn)并預(yù)測(cè)切片水分含量,預(yù)測(cè)決定系數(shù)R2=0.9359,效果良好,同時(shí)反映出多光譜成像系統(tǒng)在食品干燥加工的實(shí)時(shí)檢測(cè)方面有很大的應(yīng)用潛力。其他應(yīng)用見(jiàn)表3。

表3 多光譜成像在糧油作物營(yíng)養(yǎng)品質(zhì)檢測(cè)方面的應(yīng)用Table 3 Multispectral imaging for detection of oil and grain crops nutritional quality

3 多光譜成像技術(shù)的局限性

大量的研究表明,多光譜成像技術(shù)在快速無(wú)損檢測(cè)食品營(yíng)養(yǎng)品質(zhì)方面具有良好的可行性。然而,該技術(shù)的進(jìn)一步發(fā)展還有較大的局限性:a.多光譜成像系統(tǒng)的設(shè)計(jì)需要耗費(fèi)大量的時(shí)間和精力,選擇最優(yōu)算法組合和感興趣區(qū)域依然需要人工執(zhí)行;b.多光譜成像技術(shù)工作波段在可見(jiàn)及近紅外光譜區(qū),其他區(qū)域的信息利用有待探究;c.雖然多光譜成像可以快速無(wú)損檢測(cè)食品品質(zhì),但其檢測(cè)標(biāo)準(zhǔn)依舊需要靠傳統(tǒng)方法確定,是一種間接檢測(cè)方法;d.多光譜成像技術(shù)目前只用于實(shí)驗(yàn)室環(huán)境,對(duì)環(huán)境復(fù)雜度高的工廠等環(huán)境的適應(yīng)性還需要進(jìn)一步提高。

首先,如何更加準(zhǔn)確快速地選擇化學(xué)計(jì)量學(xué)分析方法是一個(gè)非常重要的問(wèn)題。在本文報(bào)道的所有研究中,有超過(guò)一半的研究使用了高光譜成像系統(tǒng),利用關(guān)鍵波長(zhǎng)選擇算法對(duì)關(guān)鍵波長(zhǎng)進(jìn)行選擇,簡(jiǎn)化運(yùn)算量,然后利用建模算法對(duì)所得數(shù)據(jù)進(jìn)行建模分析,得到預(yù)測(cè)結(jié)果。然而,不同的變量選擇算法和建模算法,在預(yù)測(cè)同一食品中同一營(yíng)養(yǎng)素含量和變化量時(shí)的準(zhǔn)確性可能有所不同,合理地選擇算法可以提高預(yù)測(cè)的準(zhǔn)確性。Dong等[15]在檢測(cè)蘋(píng)果營(yíng)養(yǎng)品質(zhì)時(shí),分別運(yùn)用SPA和UVE兩種波長(zhǎng)選擇算法和PLSR、LS-SVM、BPNN三種建模算法進(jìn)行排列組合,對(duì)SSC、水分含量進(jìn)行預(yù)測(cè)。在比較PLSR,LS-SVM和BPNN模型的校準(zhǔn)和預(yù)測(cè)性能時(shí),發(fā)現(xiàn)LS-SVM在大多數(shù)情況下對(duì)于每個(gè)調(diào)查的質(zhì)量參數(shù)具有比PLS和BPNN更好的性能。而且,使用變量選擇算法后,LS-SVM的預(yù)測(cè)能力有所提升。在比較SPA和UVE對(duì)預(yù)測(cè)結(jié)果的影響時(shí)發(fā)現(xiàn),SPA對(duì)水分含量預(yù)測(cè)的提升效果較好,但對(duì)SSC的提升效果比UVE差,考慮到SPA的關(guān)鍵波長(zhǎng)為23個(gè),遠(yuǎn)小于UVE的122個(gè),大大減少了運(yùn)算量,因此可以認(rèn)為SPA-LS-SVM是預(yù)測(cè)蘋(píng)果營(yíng)養(yǎng)品質(zhì)的最佳算法組合。

但是不是所有食品中的不同營(yíng)養(yǎng)素都能有一種最佳算法組合,Pu等[19]預(yù)測(cè)羊肉中的水分、蛋白質(zhì)、脂肪,選擇了UVE-SPA-CSA-MLR算法組合,該組合對(duì)水分和脂肪的預(yù)測(cè)準(zhǔn)確度較好(R水=0.92,R脂肪=0.98),但是對(duì)蛋白質(zhì)的預(yù)測(cè)準(zhǔn)確度一般(R蛋白質(zhì)=0.67)。Rahman等[16]在對(duì)大蒜中SSC和大蒜素的預(yù)測(cè)中,對(duì)SSC和大蒜素使用了不同的算法組合,對(duì)SSC使用SPA-LS-SVM算法組合,得到R2=0.90;對(duì)大蒜素使用VIP-LS-SVM算法組合,得到R2=0.83,都得到了不錯(cuò)的結(jié)果。除了對(duì)同一食品的不同品質(zhì)預(yù)測(cè)之外,對(duì)同類食品的不同品種的營(yíng)養(yǎng)物的預(yù)測(cè)也會(huì)受到算法組合的影響。Guo等[61]在預(yù)測(cè)西選、華優(yōu)兩種獼猴桃中SSC時(shí),使用了SPA-LS-SVM算法組合,分別對(duì)西選、華優(yōu)以及兩品種混合選擇了9、9和19個(gè)關(guān)鍵波長(zhǎng),該組合對(duì)華優(yōu)和兩品種混合的預(yù)測(cè)效果較好,但略差于全光譜的LS-SVM模型;對(duì)于西選的預(yù)測(cè)準(zhǔn)確度一般,但是優(yōu)于全光譜模型。

在實(shí)驗(yàn)中,不同品種、不同營(yíng)養(yǎng)品質(zhì)、不同化學(xué)計(jì)量學(xué)分析方法都是決定實(shí)驗(yàn)結(jié)果的變量。目前的研究里,對(duì)化學(xué)計(jì)量學(xué)分析方法的選擇和調(diào)整都是人工完成,不斷地試錯(cuò)也耗費(fèi)了大量時(shí)間成本,最終選擇的算法和模型也很難保證是最優(yōu)解。因此,化學(xué)計(jì)量學(xué)分析方法的選擇會(huì)限制多光譜成像技術(shù)向工業(yè)化實(shí)時(shí)檢測(cè)發(fā)展。

其次,雖然多光譜成像技術(shù)是一種快速無(wú)損的食品營(yíng)養(yǎng)品質(zhì)檢測(cè)技術(shù),但是不能忽視的是,其本身目前是一種間接的檢測(cè)技術(shù),需要依靠傳統(tǒng)破壞性實(shí)驗(yàn)方法和校準(zhǔn)集數(shù)據(jù)的結(jié)合確定標(biāo)準(zhǔn),然后依據(jù)該標(biāo)準(zhǔn)對(duì)預(yù)測(cè)集樣品進(jìn)行預(yù)測(cè)。Ma等[36]在預(yù)測(cè)豬肉背最長(zhǎng)肌含水量時(shí),先用傳統(tǒng)的烘箱干燥方法測(cè)得了樣品的水分含量,然后結(jié)合校準(zhǔn)集校準(zhǔn)PLSR模型,并最終進(jìn)行預(yù)測(cè),預(yù)測(cè)結(jié)果R2=0.966,體現(xiàn)了良好的效果。雖然目前來(lái)看多光譜成像技術(shù)有較好的預(yù)測(cè)準(zhǔn)確性,但是花費(fèi)在標(biāo)準(zhǔn)校正和選擇波長(zhǎng)上的時(shí)間較多,限制了其在工業(yè)實(shí)時(shí)檢測(cè)應(yīng)用上的發(fā)展?jié)摿Α?/p>

4 結(jié)論與展望

多光譜成像技術(shù)除了擁有“空間+光譜”三維信息立方體外,還通過(guò)化學(xué)計(jì)量學(xué)分析方法以及過(guò)濾與分散裝置獲得了離散光譜的數(shù)據(jù),大大降低了數(shù)據(jù)復(fù)雜度,減少了處理時(shí)間,在工業(yè)化應(yīng)用方面具有巨大潛力。本文綜述了近些年來(lái)多光譜成像技術(shù)在肉類營(yíng)養(yǎng)品質(zhì)和果蔬的營(yíng)養(yǎng)品質(zhì)快速無(wú)損檢測(cè)方面的研究進(jìn)展。多光譜成像技術(shù)已被證實(shí)是一項(xiàng)性能良好、發(fā)展迅速的快速無(wú)損檢測(cè)技術(shù)。

多光譜成像技術(shù)是一門(mén)復(fù)雜的跨學(xué)科技術(shù),涉及到食品科學(xué)、計(jì)算機(jī)科學(xué)、自動(dòng)化控制等多個(gè)學(xué)科的交叉。在未來(lái)的發(fā)展中,建立自動(dòng)化的算法選擇和感興趣區(qū)域選擇及建模方法將成為多光譜成像技術(shù)的研究重點(diǎn)和發(fā)展趨勢(shì),建立自動(dòng)選擇方法,以提升運(yùn)算速度和準(zhǔn)確度,提高普適性。如何進(jìn)一步減少分析數(shù)據(jù)量也是研究的重點(diǎn),減少數(shù)據(jù)量并且盡可能保持分析精度,可以大大提升運(yùn)算速度。為實(shí)時(shí)檢測(cè)的發(fā)展做準(zhǔn)備。在工業(yè)應(yīng)用研究方面,未來(lái)發(fā)展過(guò)程中要通過(guò)跨學(xué)科合作建立硬件精度更高,程序更穩(wěn)定的系統(tǒng),以進(jìn)一步適應(yīng)更為復(fù)雜的檢測(cè)環(huán)境。