無損檢測技術在真菌鑒定及毒素檢測中的應用

武琳霞，翟文磊，韋迪哲，付海龍，王 蒙

（北京市農業質量標準與檢測技術研究中心，農業農村部農產品質量安全風險評估實驗室（北京），北京 100097）

農產品在收獲前和儲運過程中極易受真菌污染，導致作物減產和品質下降，且在適宜的條件下會產生真菌毒素，嚴重影響農產品質量安全[1]。農產品中常見的真菌毒素包括曲霉菌（Aspergillus spp.）產生的黃曲霉毒素（aflatoxins，AFT）、青霉菌（Penicillium spp.）和曲霉菌產生的赭曲霉毒素（ochratoxins，OT）以及鐮刀菌（Fusarium spp.）產生的伏馬毒素（fumonisins，FB）、脫氧雪腐鐮刀菌醇（deoxynivalenol，DON）、單端孢霉烯族毒素和玉米赤霉烯酮（zearalenone，ZEN）[2]。由于真菌毒素性質穩定，不易加工降解或去除[3]，因此，盡早發現真菌侵染，并采取有效的防控技術是延長儲存期、保證產品質量和食品安全的重要措施。

目前，農產品中產毒真菌的常規鑒定方法主要依賴于特定的微生物和生化鑒定，主要有平板計數法、選擇性和鑒別培養基法、熒光分析法、微生物活性測定法、分子生物學方法等[3-4]。此外，基質輔助激光解吸/電離飛行時間質譜是近年來興起的微生物快速鑒定分析技術[5]。真菌毒素通常含量較低，需要高效的提取富集和高靈敏的檢測技術。常用的方法是薄層色譜法、氣相色譜法、高效液相色譜法、液相色譜-質譜法、液相色譜串聯質譜法[2]。其他方法包括酶聯免疫吸附測定實驗、免疫親和檢測[6]、免疫熒光檢測[7]、適配體檢測[8]或者生物傳感器檢測等[2,6]。盡管這些方法準確度較高，但是費時費力、成本高、效率低，難以滿足現場快速檢測的需求[3]。而且這些方法會破壞樣品，在剔除不合格樣品的過程中會損失掉一定量的樣品。因此，建立一種快速、無損、低成本的檢測產毒真菌和真菌毒素污染的分析方法對促進產業發展和保證消費安全具有重要意義。

目前，無損檢測技術在包括谷物、糧油、飼料、蔬菜水果、肉類、茶葉等農產品中應用廣泛，但多用于檢測淀粉、氨基酸、蛋白質、脂肪、水分、纖維素、維生素、可溶性固形物、葉綠素、多酚等樣品中含量較高的物質。由于真菌或真菌毒素的污染量通常很小，還受到品種、地域等條件的影響，因此實現精確測定通常比較復雜。然而基于真菌或毒素對樣品中高含量成分的影響，通過無損檢測技術對其進行間接檢測在國內外已有報道，包括光譜學技術（如近紅外光譜、中紅外光譜、拉曼光譜、熒光光譜、太赫茲時域光譜）、成像技術（如高光譜及多光譜成像、彩色成像、熱成像、X射線成像）以及電子鼻技術等。本文綜述了無損檢測技術在檢測農產品中產毒真菌及真菌毒素中的應用和進展，并介紹了其面臨的挑戰和未來的發展趨勢。

1 光譜學技術

1.1 近紅外光譜法

紅外光譜法是測定農產品或食品中真菌及毒素污染的方法之一。其中，近紅外光譜（near infrared spectroscopy，NIR）是指介于可見光和中紅外光之間的電磁波，波長范圍700～2 500 nm，一般有機物在該區域的近紅外光譜吸收主要是含氫基團（—OH、—NH2、—SH）等的倍頻和合頻吸收[7]。因為基于紅外光譜的方法靈敏度有限，目前無法在復雜的基質（如食品）中直接測定包括真菌毒素在內的污染物，而是通過由農產品內在特征的變化而引起的紅外光譜中指紋區域的改變來進行間接檢測[8]。

紅外光譜法在測定小麥[8-9]、大麥[8]、玉米[10-11]等中的真菌及毒素具有廣泛應用（表1），分類及回歸模型預測精度均較高，但Dachoupakan Sirisomboon等[12]研究表明淀粉和水分含量對NIR測定可能產生較大影響。與傳統NIR相比，傅里葉變換近紅外光譜（Fourier transform near infrared spectroscopy，FT-NIR）通過干涉儀進一步提高了光譜精度、再現性和波長分辨率[13]。因此在玉米粉[14]、小麥[15-16]、稻谷[17]、糙米[18]、大米[19]、花生[20]等樣品中得到了廣泛的應用。但這些方法多基于全波長掃描及多波長建模，為了建立高效的分類模型，Stasiewicz等[11]利用多光譜方法在9 個不同波長處對AFT含量大于10 μg/kg和FB含量大于1 000 μg/kg的玉米粒進行鑒別分析，結果可達到77%的靈敏度和83%的特異性。Falade等[10]表明在單波長（2 198 nm）下，多元線性回歸模型可以區分不同成熟度玉米粒是否受黃曲霉侵染，模型決定系數（R2）可達0.88。NIR作為檢測農產品理化性質應用最廣泛的光譜技術之一，由于其檢測效率高、成本低而成為一種有使用前景的產毒真菌和毒素污染的無損檢測方法。然而盡管許多研究將近紅外技術應用于真菌及毒素的檢測，但并沒有明確地指出方法的檢測限[21]。由于FT-NIR具有較高的儀器穩定性、光穿透深度和模型預測能力，被廣泛應用于農產品的無損檢測，但是儀器僅適用于靜態檢測分析，而不適用于工廠機械分選機中使用，因為機械振動和溫度變化會對其產生影響[13]。

1.2 中紅外光譜法

中紅外光譜（mid infrared spectroscopy，MIR）的波長范圍約為2 500～25 000 nm，依賴于基質的分子振動。電磁波譜的NIR和MIR波段都包含對生物大分子（蛋白質、脂類、碳水化合物等）中官能團（例如羰基、酰胺基、酯基、醇羥基、亞甲基等）的選擇性信息。其主要區別在于MIR中的吸收對應于分子振動的基頻，而NIR中的吸收對應于振動的泛音和組合帶[18]。由于MIR測量的是基本振動，因此可以獲得比NIR更加豐富的信息。

傅里葉變換紅外光譜（Fourier transform infrared spectroscopy，FT-IR）主要是應用電磁光譜的MIR區（2 500～25 000 cm-1），通過監測分子的基本振動和旋轉伸展，得到樣品的化學譜圖。del Girolamo等[16]通過FT-MIR對污染OTA的硬質小麥樣品進行了篩選。以2 μg/kg為閾值，PLS-DA和PC-LDA分類模型總的分類率都高于94%。Singh等[22]利用FT-IR同步輻射紅外成像技術研究儲藏小麥受灰綠曲霉（A. glaucus）侵染后的成分變化，利用主成分得分的k-均值聚類可以清楚地區分正常樣品和污染樣品。Shen Fei等[18]利用FT-IR對于不同AFB1污染水平的糙米樣品進行分類，LDA的正確分類率為96.9%。利用PLSR分別測定AFB1、AFB2、AFG1、AFG2含量和總量時，也具有良好的預測精度（驗證集相關系數r為0.922～0.970，RPD為2.5～4.0）。基于FT-IR無損分析技術，沈飛等[19]發現主成分分析（principal component analysis，PCA）-LDA對大米受不同霉菌感染及霉變狀態的識別率分別達到86.0%和87.5%。Kos等[23]利用FT-IR對被DON污染的玉米（以1 750 μg/kg為閾值）和被AFB1污染花生（以8 μg/kg為閾值）進行分類，自助聚集（袋裝）決策樹方法分類準確率分別為79%和77%。

表1 近紅外光譜技術在產毒真菌鑒定及毒素檢測中的應用Table 1 Overview of the application of near infrared spectroscopy for identification of mycotoxin-producing fungi and mycotoxin detection

衰減全反射-傅里葉紅外光譜（attenuated total reflectance-Fourier transform infrared spectroscopy，ATR-FTIR）是一種分子振動光譜技術，它無需對樣品進行復雜的預處理，能夠快速獲得樣品的光譜指紋特征。沈飛等[24]利用ATR-FTIR對小麥、面粉及面粉制品樣品中的DON含量建立了PLSR和逐步多元線性回歸（stepwise multiple linear regression，SMLR）的定量分析模型，結果顯示兩種方法均能較好預測樣品中的DON含量，預測集R2達0.86。沈飛等[25]還應用ATR-FTIR將糙米按AFB1含量高低進行分類，k近鄰算法（k-nearest neighbors，KNN）判別分析模型的預測整體正確率達到83.3%。運用PLSR分析建立的定量模型預測相關系數、RMSEP和相對分析誤差分別為0.970、70.8 μg/kg和4.0。Kaya-Celiker等[26]利用ATR-FTIR對常見的花生中曲霉屬真菌菌落數進行了PLSR回歸分析，所得結果R2較高，為96.20%～99.98%，RMSE較低（0.014～0.153（lg（CFU/g）））。

近年來，量子級聯激光器（quantum cascade lasers，QCLs）被認為是最先進的光源，由于其體積小、輸出功率高、操作穩定性強和廣泛的可調諧性（每個設備大于400 cm-1），有助于在便攜式MIR光譜和傳感器的中使用。Sieger等[27]利用中紅外可調諧QCL光譜對被DON污染的玉米和小麥樣品及被AFB1污染的花生樣品的分類，結果表明DON、AFB1含量分別以1 250 μg/kg和8 μg/kg為閾值時，利用PCA可進行有效分離。

盡管MIR技術在定量分析研究中受到了許多研究者的青睞，但其準確度仍然是一個需要解決的問題[28-29]。可見-紅外光譜技術只關注樣品的一小部分，無法提供整個空間分布內的樣品信息，因此難以應用于顆粒較小樣品的無損檢測[30]。而且它適用于檢測污染物均勻分布的樣品，由于真菌及毒素在農產品中的污染極其不均勻，這可能會影響方法的精度，因此需要對樣品進行多點檢測，以更好地預測樣品的總體污染水平。

1.3 熒光光譜法

當熒光基團（熒光結構或熒光分子）吸收紫外線、可見光和紅外光后發射的光稱為熒光。當熒光光基團吸收特定波長的能量時，分子就會釋放出更高波長的能量[31]。熒光光譜作為一種無損、高靈敏度、特異性強和經濟高效的分析技術，已廣泛應用于農產品中真菌毒素的檢測[13]。由于熒光光譜法只有在沒有或很低背景熒光成分存在的情況下才能進行鑒定[32]，然而多種農產品含有多種熒光成分，因此該方法對真菌毒素的測定較困難。為了能夠檢測樣品中真菌毒素的微弱熒光，激光誘導熒光光譜（laser induced fluorescence spectroscopy，LIFS）技術得到了發展應用。這是由于LIFS在特定波長和較窄的帶寬強光作用下，可以顯著增強熒光信號[33]。

Paghaleh等[33]研究表明紫外光源（308 nm）-LIFS可用于開心果中AFB1、AFB2、AFG1和AFG2的含量測定，結果與高效液相色譜法一致。Wu Qingfang等[34]利用多光纖LIFS鑒別未污染AFB1和低污染水平（＜50 μg/kg）的開心果，結果表明SVM和二階導數光譜相結合的三光源模式可得到高于97.0%的分類正確率。基于174～1 100 nm的SMLR模型對三光源LIFS具有最高的預測精度（RMSEP＜4.5 μg/kg）。Smeesters等[32]研究發現利用單光子誘導熒光和雙光子誘導熒光可以鑒定受AFT污染的玉米樣品。Cheng Xianbin等[35]在紫外-近紅外光譜（304～1 086 nm）范圍內，利用反射和紫外激發熒光，掃描運動中的單粒玉米，利用RF分類模型對AFT總量是否超標（20 μg/kg）的樣品進行分類，訓練集和測試集的分類準確率均為97%以上。

由于檢測樣品的背景熒光成分常常會影響所獲得的熒光光譜，從而導致熒光峰混合或位移。因此，采用合適的化學計量學方法處理熒光光譜數據顯得更為重要。

1.4 拉曼光譜技術

拉曼光譜技術是基于化學鍵的極化率，較其他技術對分子非極性基團中共價鍵的對稱振動更為敏感，其操作簡單、無損、快速、便攜、重復性、靈敏度高、不受水分子等干擾、很少有重疊帶，可以為定性和定量檢測真菌及其毒素的化學官能團及其衍生物提供更多有價值的信息[7]。雖然紅外光譜和拉曼光譜都是振動光譜，但與紅外吸收不同，拉曼光譜是基于光子與分子的能量交換。當分子從基態躍遷至激發態，然后回到激發振動態時，就會產生拉曼散射。增強拉曼效應的技術包括受激拉曼散射、相干反-Stokes拉曼散射、共振拉曼光譜和表面增強拉曼光譜（surface enhanced raman spectroscopy，SERS）。其中SERS技術應用較為廣泛，它結合了拉曼光譜和納米技術，通過使用金屬納米材料來提高傳統拉曼光譜的靈敏度和容量[36]。

Lee等[28]運用拉曼光譜預測玉米中的AFT含量，PLSR和多元線性回歸模型的預測R2均在0.94以上。Yuan Jing等[37]建立了基于SERS快速檢測谷物中DON的方法，并將建立的方法應用于玉米、蕓豆和燕麥中DON的檢測，結果表明利用便攜式拉曼系統和銀納米粒子在短時間內能成功地檢測到玉米中濃度為100 nmol/L的DON。同時蕓豆和燕麥中DON的檢測限分別為10-6mol/L和10-4mol/L。Mignani等[38]利用拉曼光譜，以DON含量是否高于400 μg/kg對小麥麩皮樣品進行分類，結果表明KNN分類準確率為82%。拉曼光譜可以以其無損、快捷、無污染、低干擾、快速準確的特點應用到實際生活的各類檢測中，利用其進行真菌及毒素無損檢測是一個新興的思路和探究方向，具有一定的研究價值和前景。但拉曼光譜受信號強度的限制，因為與近紅外和中紅外吸收光譜相比，拉曼散射受樣品熒光的影響很大，因此需要對拉曼光譜熒光干擾進行校正，需要高穩定性的激光光源和靈敏的放大設備來檢測易受生物熒光干擾的微弱信號，這也使得拉曼儀器的成本更高[30]；因此今后的工作重點應放在開發低成本的激光光源和放大儀器上。應用拉曼光譜的另一個限制是當其用于固體或非均質樣品分析時，許多因素，如顏色、吸光度和粒度，都會影響固體樣品的拉曼光譜測定。而且拉曼光譜主要應用于體積較小的樣品且靈敏度較低，限制了該技術的工業應用[8]。

1.5 太赫茲時域光譜技術

太赫茲技術波介于毫米波和紅外光之間，屬于遠紅外波段，是一個非常具有科學研究價值的電磁波輻射區域。研究表明，分子之間弱的相互作用如氫鍵、范德華力、偶極的旋轉和振動躍遷以及晶格的低頻振動吸收只有在太赫茲波段才能有所響應[39]。太赫茲時域光譜（terahertz time-domain spectroscopy，THz-TDS）技術是基于飛秒超快激光技術遠紅外波段光譜測量的新技術，可以有效反映有機生物分子的結構和性質，作為物質“指紋”譜，該技術逐漸應用于有機生物分子的定性、定量分析，在近紅外光譜、拉曼光譜、X射線等眾多光譜類快速無損檢測技術中成為一種極具競爭力的新興檢測技術[40]。

廉飛宇等[41]根據AFB1溶液在不同頻率范圍內光學參數（主要是折射率和吸收系數）的不同，利用太赫茲光譜對其進行定性分析，并利用最小二乘支持向量機對其進行定量分析。結果表明，利用THz-TDS能夠對溶液中AFB1濃度進行精確識別。Ge Hongyi等[42]利用太赫茲光譜法測定質量濃度范圍為1～50 μg/mL和1～50 μg/L AFB1乙腈溶液的太赫茲光譜，并對其在0.4～1.6 THz的頻率范圍進行了分析。利用不同的方法建立樣品吸收光譜與質量濃度之間的非線性回歸模型，結果表明，PLS和主成分回歸模型在1～50 μg/mL質量濃度范圍內擬合較好，而SVM和PCA-SVM在1～50 μg/L范圍內擬合較好。此外，還對10 個從霉變玉米中提取的未知AFB1質量濃度樣品進行了定量分析，其最小誤差范圍為0.76～2.39 μg/L。雖然THz-TDS是一個在化合物定性與定量分析中很有應用價值的技術，但目前在農產品真菌及毒素檢測領域應用較少，且目前多以真菌毒素溶液為研究對象，較少研究能夠真正實現無損檢測。

2 成像技術

2.1 高光譜及多光譜成像技術

在農產品質量安全領域，高光譜成像（hyperspectral imaging，HSI）是一種能夠表征復雜基質特性的新興技術，得到了廣泛地應用。HSI也稱為化學或光譜成像，它能夠將傳統成像和光譜學結合起來，獲得研究對象的空間和光譜信息。HSI是由數百個連續的波段組成，這些波段對應于不同空間位置樣本對應的光譜。HSI可在紫外、可見光和近紅外區域（300～2 600 nm）范圍內獲得樣品的空間和光譜信息[43]。針對不同類型樣品，開發了針對多電磁波譜的HSI技術如紫外（200～400 nm）、可見光（380～800 nm）、可見光/近紅外（400～1 000 nm）、近紅外（900～1 700 nm）和短波紅外（970～2 500 nm），其中后3 種技術常用于農產品[36]。近幾年的研究表明，利用高光譜技術實現農產品中的產毒真菌或真菌毒素的快速、無損檢測具有很大的發展潛力。

在檢測方法上，高光譜反射、高光譜熒光、高光譜可見近紅外光譜（visible-near infrared spectroscopy，VNIR）和高光譜短波近紅外光譜（shortwave infrared spectroscopy，SWIR）都是檢測農產品中真菌及毒素的常用且有效的方法。但樣品的水分、蛋白質、淀粉和脂肪等組分可能會影響HSI對真菌毒素的預測精度，特別是利用SWIR-HIS檢測時[44]。盡管樣品水分含量對VNIR-HIS的光譜信號無顯著影響[45]，但由于短波近紅外成像系統（電荷耦合器件（charge coupled device，CCD）相機）的成本遠低于長波近紅外成像系統（如銦鎵砷（InGaAs）相機），近幾年來越來越多的研究開始利用SWIR-HSI對真菌及毒素進行檢測[46]。熒光HSI技術是為了獲得高光譜和高空間分辨率的熒光圖像數據而發展起來的，其圖像具有與VNIR-HSI圖像相似的高光譜和空間分辨率[47]，現已廣泛應用于玉米[47-51]、花生[52]、開心果[53]等產品中AFT和產毒真菌的檢測。然而，由于發射響應的限制，即使在成像中使用較長的數據采集時間，熒光圖像的強度通常也遠低于VNIR-HSI圖像的強度[47]。

HSI需要在較寬的光譜區域內，在狹窄和相鄰的波長或波段上獲得成千上萬個光譜圖像，而多光譜成像技術（multispectral imaging，MSI）是通過成像光譜儀或濾光片在不同寬度和間距的離散波段進行采樣，僅具有少數幾個重要的波段信息[13]。作為HSI的一種簡化形式，MSI被越來越多地應用于各種農產品中產毒真菌和真菌毒素的檢測。Kalkan等[54]利用MSI判別榛子和辣椒粉是否受AFT污染，結果表明二維局部判別基（local discriminant bases，LDB）算法對榛子（以4 μg/kg為閾值）和紅辣椒（以10 μg/kg為閾值）的分類準確率分別為92.3%和79.17%。再將該算法對是否受真菌污染的榛子仁進行分類，分類準確率達95.67%。Kalkan等[55]使用熒光MSI來區分正常無花果和AFT污染無花果，結果的錯誤率較低，分別為9.38%和11.98%。HSI的主要缺點是體積大、設備成本高、計算量大，需要復雜的處理算法，降低了計算速度。因此，有必要通過定性和定量分析來尋找最佳波段。通過對選定波段的確定，可以開發出一種通用孔徑多光譜系統，在降低成本和縮短分析時間的同時，提高計算速度，以滿足在線或實時應用的需要。此外，真菌和毒素污染并不是在一個批次內所有樣品和位置均勻發生，因此，相對低速的HSI和MSI在有效評估整個樣本方面仍然存在許多挑戰，HSI系統的硬件速度有待進一步提高，以實現對大量高光譜數據的快速采集和分析。

在硬件設施改進的基礎上，高光譜技術的建模算法也在不斷地改進。HSI提供了有關樣本的詳細信息，然而使用相關而冗余的波長可能會降低分類的準確性。因此在合理范圍內減少特征向量的維數不僅可以提高分類器的性能，而且可以提高計算速度，從而更好地解決問題[56]。最常用的特征向量選擇方法是PCA，隨著計算機技術的發展，更多簡潔且高性能的特征向量選擇算法得到應用，例如對比連續投影算法（successive projections algorithm，SPA）[57-59]、非參數加權特征提取（nonparametric weighted feature extraction，NWFE）[60]、基于MLP連接權值顯著性度量[56]、SFFS[61]、改進格拉姆斯密特算法（modified Gram-Schmidt，MGS）與遺傳無信息變量消除算法（genetic uninformative variable elimination，GAUVE）[62]等方法能有效地提取特征波長，進而建立最高效、準確的模型。表2總結了目前HSI技術在農產品中產毒真菌鑒定或毒素檢測的建模方法，其中常用PLS-DA[63]、因子判別分析（factorial discriminant analysis，FDA）[64-65]、LDA、二次判別分析（quadratic discriminant analysis，QDA）、馬氏統計判別模型[46,66-67]、SVM[62]、光譜角制圖（spectral angle mapper，SAM）[68-69]都具有較高的有效性和準確性，但這些研究主要以單粒樣品為研究對象，多集中在光譜信息的分類和識別，而空間信息被忽略。Qi Xiaotong[59]和Jiang Jinbao[70]等則分別利用聯合稀疏表示模型（joint sparse representation based classification，JSRC）和帶標記控制的分水嶺算法能夠利用空間信息從而識別圖像中受污染像素（部分顆粒）的分布。此外，常用的PLSR、多元線性回歸（multiple linear regression，MLR）、主成分回歸（principal component regression，PCR ）、SVM、KNN等均是有監督的學習算法，即對數據集的正確輸出已知情況下的一類學習算法。而Siripatrawan等[71]首次利用無監督學習的化學計量學方法——自組織映射網絡（self-organizing map，SOM）對糙米粒受真菌感染的不同程度進行分類，并通過圖形可視化，為無損檢測提供了一個新的思路。未來的研究應該更多地結合空間信息，在單粒樣品的基礎上確定嚴重污染的部位，以防將部分嚴重污染樣品直接認定為正常樣品。且非監督學習的方法不需要預先對所要分類的區域進行深入了解，從而降低人為誤差的概率，因此將會是未來研究的發展趨勢。

表2 高光譜和多光譜成像技術在產毒真菌鑒定及毒素檢測中的應用Table 2 Overview of the application of hyperspectral imaging and multispectral imaging techniques for identification of mycotoxin-producing fungi and mycotoxin detection

續表2

2.2 彩色成像技術

與正常農產品相比，受真菌侵染的農產品特性發生改變，例如品質降低與物理特性的變化，包括顏色變淺、質量降低等。應用彩色成像技術可以精確地捕捉到這些變化[84]。彩色成像技術提取到的彩色圖像特征包括紅綠藍顏色直方圖、強度、色調范圍、飽和度和由灰度共生矩陣得出的紋理特征，利用適當的圖像處理算法進行產毒真菌或毒素污染的預測。彩色成像的優點是可以分析整個樣品表面以及量化表面特性[85]。

彩色成像技術已應用于檢測小麥[46,84]和玉米中的真菌侵染[86]。Tallada等[86]利用彩色成像技術鑒別了8 種真菌在不同侵染水平下對玉米粒的污染情況，實驗組和對照組的正確識別率均為75%。但該技術對不同真菌種類的分離效果并不理想。這可能是由于彩色成像獲得光學數據的電磁波范圍有限，而樣品的物理變色是造成光學數據差異的唯一來源，因此，在侵染一段時間之后進行彩色成像應該更有效。Singh等[46]從感染真菌和正常小麥籽粒的彩色圖像中提取了179 個特征（顏色和紋理）。之后利用逐步判別分析選定10 個特征參數，運用LDA、QDA和馬氏判別分類法，對樣品的正確分類率分別為94.3%、90.3%和89.3%。Jirsa等[84]利用LDA鑒別小麥是否侵染鐮刀菌，結果表明基于顏色參數（紅、綠、藍）結合色調可以獲得較好的判別效果，模型分類準確率為85%。與HSI系統相比，彩色數碼相機成本較低，但對早期真菌鑒別效果不是很理想。

2.3 熱成像技術

熱成像是基于所有材料都發射紅外輻射的特點，其可根據輻射量產生物體表面熱分布的圖像[87-88]。通過在一個區域上測量多個點的溫度，并將其處理成物體表面的熱圖或譜圖，再經過圖像處理技術分析熱圖[89]，從而提取統計特征和紋理特征以進行樣品分類。

Chelladurai等[90]采用非致冷紅外焦平面陣列熱像儀對是否受A. glaucus、A. niger和Penicilliumspp.侵染的小麥樣品進行熱成像分析，LDA和QDA分類模型對未污染樣品的分類準確率可達100%，對污染樣品的分類準確率可達97%和96%。而該方法無法區分不同真菌種類，這是由于受不同真菌侵染的小麥在化學成分上的變化相似。熱成像技術的局限性包括加熱和冷卻過程可能會改變熱敏性產品的性質，熱分布的變化有可能會影響熱圖。

2.4 X射線成像技術

X射線是波長約為0.01～10 nm的電磁輻射，它可以穿過物質，產生的圖像可以直接反映內部缺陷以及內部密度和結構的變化[87]。X射線成像和計算機斷層掃描是基于X射線衰減的差異，這種差異則主要是由被檢測樣品的密度差異引起的。由于真菌侵染可以引起農產品密度變化，這種變化可以通過從正常和受侵染樣品的X射線圖像中通過特征比較與提取來進行檢測[91]。

Orina等[92]利用高分辨率X射線顯微計算機斷層掃描（50 kV、250 μA）研究了玉米粒受黃萎病鐮刀菌（F.verticillioides）侵染后顆粒內部結構的變化。感染玉米粒和正常玉米粒內部結構的變化可以在二維和三維圖像中顯示出來，并根據籽粒總體積、空隙空間總體積和平均灰度進行量化。隨著時間的推移，玉米粒總體積和平均灰度減小，空隙總體積增大。與其他成像技術相比，X射線成像具有明顯的優勢，例如它允許對樣品內部特征進行無損成像，以檢測隱藏的缺陷或污染。X射線微計算機斷層成像的局限性在于它成本高，需要長時間的圖像分析過程[93]。

3 電子鼻技術

產毒真菌在生長和代謝過程中會伴隨著一些揮發性物質的產生，如醇類、醛類、酮類和酯類。電子鼻由一系列非特異性化學傳感器組成，這些傳感器可與不同的揮發性化合物相互作用，并生成信號，可作為被分析樣品中揮發性物質的指紋信息，再通過模式識別系統識別或定量揮發性物質[94]。因此電子鼻也被廣泛應用于產毒真菌鑒定及毒素含量的測定。

電子鼻技術已經成功地應用在小麥、玉米、大米及花生等真菌和毒素的分類鑒別與定量預測。Campagnoli等[94]采用PCA和分類回歸樹算法將被DON污染的硬質小麥樣品分為3 類：未污染樣品、污染含量低于限值（1 750 μg/kg）的樣品、污染含量高于限值的樣品，預測錯誤率分別為0%（20 個樣本集）和3.28%（122 個樣本集）。當將小麥粉按DON污染程度（DON含量＜1 000 μg/kg、1 000 μg/kg≤DON含量≤2 500 μg/kg和DON含量＞2 500 μg/kg）進行分類時，判別函數分析類準確率可達為82.1%[95]。在玉米樣品的檢測中，于慧春等[96]通過比較PCR、PLSR、BP神經網絡、最小二乘支持向量機對ZEN與AFB1含量的預測模型。結果表明BP神經網絡和最小二乘支持向量機法較好且具有較高的穩健性。之后，其利用電子鼻融合BP神經網絡預測不同霉變程度玉米樣品中的ZEN和AFB1含量，結果表明預測準確率較高[97]。沈飛等[98]研究表明PLS-DA法可較好區分不同AFT含量的糙米，模型的留一交互驗證正確率高于80%。電子鼻技術對大米樣品中的真菌及毒素也具有很好的檢測結果，PLSR分析顯示電子鼻響應信號與糙米中AFB1的預測精度最高，相關系數r和RMSEP分別達到0.808和127.3 μg/kg。宋偉等[99]通過PCA很好地區分了不同儲藏條件的粳稻樣品，PLSR結果表明電子鼻信號對霉菌數量可以進行定量預測，但存在準確度不夠穩定的問題。沈飛等研究表明電子鼻技術結合PCA和LDA可以成功區分大米[18]和花生[100]受霉菌侵染的不同程度，識別率可達到90.0%以上。PLSR模型對花生菌落總數預測的R2和RMSEP分別達到0.814 5和0.244 0 CFU/g。但是常用的金屬氧化物性半導體傳感器及其陣列具有所需工作溫度較高、長時間工作后基準值易發生漂移、對氣體混合物種的硫化物呈中毒反應等缺點[101]。

4 結 語

無損檢測技術可以實現對樣品的快速準確檢測，結合數據處理或圖像分析技術，其可以作為農產品中真菌和真菌毒素污染的有效鑒別和檢測方法。其基本能夠實現自動化操作，較省時簡便，因此優于傳統方法。目前紅外光譜檢測技術和HSI技術廣泛應用于農產品中真菌及毒素的檢測，并具有較高的精度，然而無損檢測技術還面臨著一些需要解決的問題。

無損檢測技術的商業化應用面臨的主要問題是設備成本高、數據量大、圖像處理程序冗長。此外，需要開發并選擇有效且實用的分類算法。真菌及毒素檢測的未來趨勢是開發高性能、低成本的無損檢測設備。結合不同無損技術，提供對所檢測樣品更加全面的信息。

無損檢測技術已應用于真菌及毒素的鑒別和定量，然而這些方法的檢測限尚未得到充分地研究和確定。真菌和毒素的無損檢測檢出限比較高，主要是樣品中毒素的含量較低且分布不均勻、背景成分的干擾、設備的定位精度以及環境因素（溫度、光等）等原因造成的[29]。

目前無損檢測技術通常應用于玉米及小麥中真菌及毒素的檢測，且多針對有限的幾種真菌或毒素，在分離不同菌種時準確率較低。未來無損檢測技術還需要進行深入地研究，如在短時間內對不同農產品中的多種真菌或毒素進行同時分析，利用更大的數據集和先進的化學計量學軟件開發更穩健的校準模型，以及提高檢測結果的靈敏度、準確性和重復性等，隨著設備及儀器價格的降低和新算法的發展，這些無損快速的檢測技術將對農業真菌和真菌毒素污染檢測有更大的價值[3]。