近紅外光譜技術(shù)在食用菌品質(zhì)檢測(cè)方面的應(yīng)用研究進(jìn)展

王玉玲，王婧茹，劉 紅，秦令祥，高愿軍，周海旭，李 波,，何鴻舉,

（1.河南科技學(xué)院農(nóng)學(xué)院，河南新鄉(xiāng) 453003；2.河南科技學(xué)院食品學(xué)院，河南新鄉(xiāng) 453003；3.海南師范大學(xué)化學(xué)與化工學(xué)院/海口市熱帶特色藥食同源植物研究與開(kāi)發(fā)重點(diǎn)實(shí)驗(yàn)室，海南海口 571158；4.漯河食品職業(yè)學(xué)院，河南漯河 462333）

食用菌是一類風(fēng)味獨(dú)特且富含蛋白質(zhì)、氨基酸、多糖、礦質(zhì)元素及維生素等多種營(yíng)養(yǎng)成分的大型可食用真菌，是目前國(guó)際上公認(rèn)的理想蛋白質(zhì)和組織營(yíng)養(yǎng)來(lái)源[1]。食用菌還兼具藥用價(jià)值，其含有的生理活性物質(zhì)如多糖具有調(diào)節(jié)機(jī)體免疫、預(yù)防心血管疾病、抗炎防癌等保健功效[2-4]，已成為日常生活中常備食材之一。我國(guó)是食用菌生產(chǎn)和消費(fèi)大國(guó)，2020 年全國(guó)食用菌總產(chǎn)量高達(dá)4061.43 萬(wàn)噸[5]，食用菌產(chǎn)業(yè)已成為大健康產(chǎn)業(yè)的重要組成部分。隨著健康消費(fèi)理念普及和消費(fèi)需求增長(zhǎng)，高品質(zhì)的食用菌及其制品受到當(dāng)今消費(fèi)者的普遍青睞。品質(zhì)檢測(cè)是食用菌產(chǎn)業(yè)化生產(chǎn)和產(chǎn)品質(zhì)量控制的必備環(huán)節(jié)。近紅外光譜（near-infrared spectroscopy，NIRS）技術(shù)作為一種快捷、高效、綠色無(wú)污染的無(wú)損檢測(cè)手段，被大量用于食品品質(zhì)的快速檢測(cè)研究[6-8]。

紅外光譜是介于可見(jiàn)光區(qū)和微波區(qū)之間的電磁波譜，其光譜的產(chǎn)生是由于分子振動(dòng)的非諧振性，使分子從基態(tài)向高能級(jí)躍遷。NIRS 技術(shù)能夠進(jìn)行定性和定量分析的實(shí)質(zhì)是利用原子間的相對(duì)振動(dòng)和分子轉(zhuǎn)動(dòng)等信息以確定分子結(jié)構(gòu)。用于食品質(zhì)量檢測(cè)主要是基于食品組分中化學(xué)基團(tuán)（主要指C-H、NH、O-H 等含氫基團(tuán)）在近紅外波段（780～2526 nm）的倍頻和合頻吸收[9]，通過(guò)化學(xué)計(jì)量學(xué)算法挖掘光譜吸收信息，構(gòu)建高穩(wěn)定性、高精度的數(shù)學(xué)模型（線性模型和非線性模型）實(shí)現(xiàn)對(duì)未知樣品的快速預(yù)測(cè)。食品樣品在近紅外波段的吸收譜峰重疊嚴(yán)重，且易受背景、噪聲和外界環(huán)境等因素干擾，需借助化學(xué)計(jì)量學(xué)方法挖掘光譜信息與研究目標(biāo)之間的內(nèi)在聯(lián)系[10]。化學(xué)計(jì)量學(xué)算法旨在通過(guò)尋找特征光譜信息與品質(zhì)指標(biāo)之間的相關(guān)性，發(fā)現(xiàn)內(nèi)在規(guī)律并實(shí)現(xiàn)較合理準(zhǔn)確的未知預(yù)測(cè)（定性和定量），在NIRS 技術(shù)用于食品研究中發(fā)揮著重要作用[11]。構(gòu)建的預(yù)測(cè)或識(shí)別模型需通過(guò)相關(guān)系數(shù)（R）或決定系數(shù)（R2）、均方根誤差（root mean square error，RMSE）以及剩余預(yù)測(cè)偏差（residual predictive deviation，RPD）等參數(shù)進(jìn)行評(píng)價(jià)。一般而言，R或R2越接近1，RMSE 越接近于0，模型預(yù)測(cè)性能越好[12]。

NIRS 技術(shù)主要具有如下特點(diǎn)：a.無(wú)損快速：可直接利用近紅外光的強(qiáng)穿透性對(duì)樣品進(jìn)行光譜采集，再將測(cè)量光譜代入建立好的校正模型，可完成對(duì)物質(zhì)快速分析檢測(cè)。b.綠色環(huán)保：光譜技術(shù)無(wú)需使用化學(xué)試劑對(duì)樣品進(jìn)行處理，降低各種生物、化學(xué)污染。c.重現(xiàn)性好：NIRS 是一種二次分析檢測(cè)技術(shù)，通過(guò)建立穩(wěn)定的預(yù)測(cè)模型，由該模型對(duì)相關(guān)指標(biāo)進(jìn)行快速檢測(cè)，所得結(jié)果具有較高的重現(xiàn)性。NIRS 技術(shù)結(jié)合化學(xué)計(jì)量學(xué)算法已被用于研究食品種類及產(chǎn)地鑒別[13]、摻假[14]、質(zhì)量評(píng)估[15]、等級(jí)分級(jí)[16]等，研究結(jié)果顯示NIRS 技術(shù)在部分指標(biāo)檢測(cè)應(yīng)用方面具有較高可行性和適用性，應(yīng)用潛力巨大。本文全面歸納綜述了近5 年來(lái)NIRS 技術(shù)在食用菌品質(zhì)檢測(cè)方面的應(yīng)用研究進(jìn)展，主要包括理化組分（如水分、糖、硬度、固形物含量等）、活性成分（如多糖、三萜類、甾醇類等）、品種識(shí)別、產(chǎn)地鑒別和其他方面（圖1），為進(jìn)一步完善NIRS 技術(shù)在食用菌質(zhì)控中的應(yīng)用提供方法參考。

圖1 NIRS 技術(shù)在食用菌品質(zhì)檢測(cè)方面的應(yīng)用研究Fig.1 Application of NIRS technology in quality detection of edible fungi

1 NIRS 技術(shù)用于檢測(cè)食用菌理化組分

食用菌的化學(xué)組成主要包括水分、蛋白質(zhì)、脂肪、碳水化合物、礦物質(zhì)和維生素等。這些理化組分會(huì)影響食用菌的生產(chǎn)加工及食用品質(zhì)，如水分含量直接影響食用菌的嫩度、鮮度和口感。食用菌理化組分的檢測(cè)目前使用國(guó)標(biāo)法較多[17-18]，NIRS 技術(shù)被用于食用菌檢測(cè)研究已有報(bào)道，結(jié)果各不相同。如Giovenzana 等[19]分別采集雙孢菇菌帽和菌柄的400～1000 nm 光譜信息，構(gòu)建偏最小二乘（partial least squares，PLS）模型預(yù)測(cè)不同部位的硬度、可溶性固形物和水分等理化品質(zhì)，結(jié)果顯示在菌帽中，硬度的預(yù)測(cè)效果良好，而其他兩個(gè)指標(biāo)不是很理想（R2P：硬度＞水分＞可溶性固形物）；在菌柄中，水分的預(yù)測(cè)效果明顯好于其他兩個(gè)指標(biāo)（R2P：水分＞可溶性固形物＞硬度），這可能由于菌帽和菌柄的不同理化組分對(duì)模型精度產(chǎn)生了影響。相比之下，Shinoda 等[20]通過(guò)獲取1450 nm 處的光譜信息構(gòu)建PLS 模型預(yù)測(cè)香菇中水分含量效果更好，具體如表1 所示。

表1 NIRS 技術(shù)用于檢測(cè)食用菌理化組分Table 1 Application of NIRS technology for detection of physicochemical index in edible fungi

食用菌富含蛋白質(zhì)，營(yíng)養(yǎng)價(jià)值高，是高品質(zhì)蛋白質(zhì)的理想來(lái)源。馬建等[21]利用NIRS 技術(shù)對(duì)278 株蛹蟲(chóng)草樣品的成分進(jìn)行快速定量分析，經(jīng)對(duì)比發(fā)現(xiàn)，采用原始光譜預(yù)測(cè)蛹蟲(chóng)草蛋白質(zhì)含量效果最好。碳水化合物也是食用菌重要成分之一，是組成食用菌所占比重最高的大分子物質(zhì)。為推動(dòng)黑木耳精深加工和技術(shù)提升，楊根等[22]嘗試基于1000～2500 nm 波長(zhǎng)信息研發(fā)一種快速檢測(cè)黑木耳總糖的NIRS 方法，結(jié)果顯示構(gòu)建的PLS 預(yù)測(cè)模型R2超過(guò)0.90，效果良好。盧潔等[23]使用相同的光譜波段構(gòu)建PLS 模型預(yù)測(cè)香菇總糖含量，模型R2C最高達(dá)0.94004，模型驗(yàn)證結(jié)果顯示，樣品預(yù)測(cè)值和實(shí)測(cè)值具有良好的線性關(guān)系，該試驗(yàn)建立的NIRS 分析模型可用于預(yù)測(cè)香菇樣品的總糖含量。對(duì)比近5 年研究結(jié)果發(fā)現(xiàn)，NIRS技術(shù)在預(yù)測(cè)食用菌總糖和蛋白質(zhì)含量方面效果更好，但是總體上對(duì)于食用菌理化組分的NIRS 檢測(cè)研究較少。

2 NIRS 技術(shù)用于檢測(cè)食用菌活性成分

食用菌含有多糖、萜類、黃酮類等多種生理活性成分，具有提升機(jī)體免疫力、阻止和防御疾病等功效。活性成分的快速檢測(cè)對(duì)食用菌的藥理開(kāi)發(fā)及應(yīng)用具有重要意義。食用菌多糖是食用菌細(xì)胞體內(nèi)的一類大分子物質(zhì)，具有良好的降血糖功效[24]。張龍等[25]研究了NIRS 快速檢測(cè)杏鮑菇多糖含量的可行性，結(jié)合三種算法構(gòu)建多糖的定量校正模型，結(jié)果顯示徑向基神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)效果最好（R2P=0.89，RMSEP=7.73 mg/g），但仍有提升空間，這為快速檢測(cè)杏鮑菇多糖含量提供了初步依據(jù)。黑木耳是一種膠質(zhì)食用菌，其多糖占比最大、含量最高[26]。孫麗萍等[27]以NIRS 對(duì)樣本進(jìn)行光譜采集（900～1700 nm），運(yùn)用支持向量機(jī)（support vector machines，SVM）算法進(jìn)行建模仿真，對(duì)黑木耳多糖品質(zhì)進(jìn)行分類研究，測(cè)得模型識(shí)別精確率為85.7%，具有較好的預(yù)測(cè)性，但該研究采集樣本總量略有不足。靈芝是一種藥用真菌，其多糖是主要活性成分之一，可通過(guò)調(diào)節(jié)免疫系統(tǒng)增強(qiáng)宿主抗病降糖降脂能力[28]。賴長(zhǎng)江生等[29]采用NIRS（1000～2500 nm）結(jié)合化學(xué)計(jì)量學(xué)算法構(gòu)建靈芝多糖含量（質(zhì)量分?jǐn)?shù)為1.93%～3.99%）快速預(yù)測(cè)模型，通過(guò)標(biāo)準(zhǔn)正太變量校正（standard normal variate，SNV）光譜預(yù)處理所建立的PLS 模型預(yù)測(cè)結(jié)果最佳，具備應(yīng)用推廣潛力。馬玉涵等[30]研究發(fā)現(xiàn)靈芝多糖NIRS 的特征吸收位點(diǎn)在2321.80、2270.15 nm，結(jié)合多糖化學(xué)測(cè)量結(jié)果，構(gòu)建基于NIRS 的靈芝菌絲體多糖定量分析模型，校正模型和預(yù)測(cè)模型表現(xiàn)非常好（R2均＞0.95）。利用校正模型繼續(xù)預(yù)測(cè)誘變靈芝菌絲體多糖含量，效果依然良好。因靈芝多糖大多存在于水提物中，為了更加準(zhǔn)確全面評(píng)估靈芝多糖含量，張倩倩等[31]采用NIRS 對(duì)靈芝子實(shí)體水提物進(jìn)行定性和定量分析，結(jié)果顯示基于水提物優(yōu)選波段1830.93～2361.22 nm 構(gòu)建的 NIRS 模型定量檢測(cè)靈芝多糖效果良好，可以幫助解決靈芝子實(shí)體多糖定量不準(zhǔn)的問(wèn)題。

靈芝三萜是另一類重要的藥用活性成分，具有廣泛的抗癌特性[32]。研究發(fā)現(xiàn)靈芝三萜在近紅外譜區(qū)內(nèi)的1689.19、1730.10、2265、2304.15 及2350.73 nm處有特征吸收峰，馬玉涵等[30]通過(guò)選取兩個(gè)波段1676.98～1766.07、2266.26～2298.40 nm 的光譜信息構(gòu)建PLS 模型預(yù)測(cè)靈芝菌絲體中的靈芝三萜含量，經(jīng)過(guò)一階導(dǎo)數(shù)預(yù)處理光譜，模型預(yù)測(cè)效果更好。張倩倩等[33]通過(guò)采集靈芝子實(shí)體及其提取純化物的NIRS（833.33～2500 nm），分析得出了靈芝三萜NIRS和中紅外光譜（mid-infrared spectroscopy，MIRS）之間存在較強(qiáng)的相關(guān)性，并提出基于靈芝子實(shí)體提取物，可建立靈芝子實(shí)體三萜的NIRS 定量分析模型。

蛹蟲(chóng)草含有腺苷、多糖、蟲(chóng)草酸等多種活性成分，在降血脂、抗菌、抗癌、抗衰老等方面功效顯著[34-35]。快速定量分析蛹蟲(chóng)草有效成分可避免大量損耗，對(duì)開(kāi)發(fā)蛹蟲(chóng)草的藥用價(jià)值具有重要意義。馬健等[21]通過(guò)獲得化學(xué)誘變蛹蟲(chóng)草的NIRS，并經(jīng)過(guò)不同的光譜預(yù)處理，分別構(gòu)建了蛹蟲(chóng)草腺苷、蟲(chóng)草酸、多糖等的PLS 定量分析模型，結(jié)果顯示使用原始光譜（900～1700 nm）和預(yù)處理光譜在預(yù)測(cè)這三種活性成分方面效果差異不顯著，建議直接使用原始光譜分析效率更高。除了定量預(yù)測(cè)，NIRS 技術(shù)還被引入蛹蟲(chóng)草加工過(guò)程分析，用以提高生產(chǎn)效率，如史畑女等[36]對(duì)發(fā)酵蟲(chóng)草菌粉生產(chǎn)全過(guò)程中的總核苷、總多糖及甾醇類含量進(jìn)行了NIRS 定量檢測(cè)研究，針對(duì)不同成分選擇不同的波段信息構(gòu)建PLS 定量分析模型，通過(guò)模型參數(shù)（RC和RMSEC、RP和RMSEP）及模型驗(yàn)證（準(zhǔn)確度、重復(fù)性、精密度、穩(wěn)定性）得出結(jié)論，NIRS 技術(shù)結(jié)合PLS 算法用于對(duì)發(fā)酵蟲(chóng)草菌粉生產(chǎn)過(guò)程中核苷類成分、總多糖含量、甾醇類成分的定量檢測(cè)效果良好（詳見(jiàn)表2），模型應(yīng)用具有可行性，可提高生產(chǎn)過(guò)程可控性和高效性。

表2 NIRS 技術(shù)用于檢測(cè)食用菌活性成分Table 2 Application of NIRS technology for detection of active ingredients in edible fungi

3 NIRS 技術(shù)用于檢測(cè)食用菌品種鑒別及分類

食用菌品種繁多，其野生和人工栽培的功效差異較大，目前常用于食用菌品種鑒別及分類的方法主要有感官識(shí)別、色譜和質(zhì)譜聯(lián)用等[37-38]。感官識(shí)別人為主觀因素影響較大，色譜和質(zhì)譜聯(lián)用前處理復(fù)雜、耗時(shí)耗力，無(wú)法實(shí)現(xiàn)快速檢測(cè)。NIRS 技術(shù)作為一種快捷有效的檢測(cè)手段，在食用菌品種鑒別分類方面的應(yīng)用研究具有重要現(xiàn)實(shí)意義。楊吉等[39]利用NIRS 法結(jié)合主成分分析（PCA）及聚類分析對(duì)9 種540 個(gè)靈芝樣品快速識(shí)別研究，分類歸屬正確識(shí)別率達(dá)100%，為靈芝藥用功效評(píng)價(jià)提供了一種有效方法。王乾龍等[40]研究基于800～2500 nm 波段信息構(gòu)建快速鑒別冬蟲(chóng)夏草品級(jí)的可行性，通過(guò)采集西藏和青海兩地的冬蟲(chóng)夏草的NIRS 數(shù)據(jù)，經(jīng)二階導(dǎo)數(shù)預(yù)處理后進(jìn)行主成分分析，構(gòu)建的模型鑒別冬蟲(chóng)夏草品級(jí)準(zhǔn)確率可達(dá)100%。李魚強(qiáng)等[41]在900～1700 nm波長(zhǎng)范圍下，選取4 種不同的食用菌構(gòu)建反向傳播神經(jīng)網(wǎng)絡(luò)模型和K 最鄰近算法模型，結(jié)果顯示構(gòu)建的兩種模型對(duì)松茸真假辨別準(zhǔn)確率可達(dá)100%和78.26%，對(duì)食用菌分類正確率可達(dá)89.1%和80.43%，模型精度和穩(wěn)定性均高于PCA 法（詳見(jiàn)表3）。

表3 NIRS 技術(shù)用于檢測(cè)食用菌品種鑒別及分類分級(jí)Table 3 Application of NIRS technology for identification and classification of edible fungi

除了上述幾種食用菌，近幾年牛肝菌品種鑒別也被研究報(bào)道。Chen 等[42]試圖開(kāi)發(fā)一種基于傅里葉變換NIRS 的牛肝菌品種快速鑒別方法，通過(guò)預(yù)處理5 種不同品種牛肝菌的1000～2500 nm 光譜信息，構(gòu)建偏最小二乘法判別分析（partial least squares discriminant analysis，PLS-DA）和構(gòu)建殘差卷積神經(jīng)網(wǎng)絡(luò)（ResNet）兩種識(shí)別模型。結(jié)果顯示這兩種模型均能100%識(shí)別牛肝菌試樣品種，但是ResNet 模型更容易操作，效率更高，NIRS 結(jié)合ResNet 更具有應(yīng)用潛質(zhì)。與Chen 等[42]同一課題組Yan 等[43]基于相同的光譜信息，繼續(xù)對(duì)比了PLS-DA、SVM 和ResNet 三種模型在5 種常食用牛肝菌品種方面的識(shí)別能力，結(jié)果依然是ResNet 表現(xiàn)最佳，識(shí)別準(zhǔn)確率依然為100%。傅里葉NIRS 結(jié)合二維相關(guān)光譜（twodimensional correlation spectroscopy，2D-COS）算法，以總多酚含量為鑒別參數(shù)構(gòu)建ResNet 模型識(shí)別云南野生牛肝菌試樣品種，正確識(shí)別率也可達(dá)100%[44]。

4 NIRS 技術(shù)用于檢測(cè)食用菌產(chǎn)地鑒別

我國(guó)食用菌種植范圍廣，不同產(chǎn)地間的食用菌品質(zhì)差異很大，市場(chǎng)上售價(jià)也因此存在差別，有些不法商家為了追逐更高經(jīng)濟(jì)利益，混淆食用菌產(chǎn)地。為促進(jìn)食用菌市場(chǎng)穩(wěn)健發(fā)展，迫切需要建立一種準(zhǔn)確、快速、高效的食用菌產(chǎn)地鑒別技術(shù)。NIRS 技術(shù)以便捷無(wú)損等優(yōu)點(diǎn)在替代常規(guī)技術(shù)手段方面具有很大潛力。夏珍珍等[45]采集3 個(gè)不同產(chǎn)地干香菇樣品的NIRS（1000～2500 nm）結(jié)合不同的光譜預(yù)處理方法和波長(zhǎng)選擇方法，建立了香菇產(chǎn)地鑒別模型，結(jié)果表明基于小波變換（continuous wavelet transform，CWT）預(yù)處理和隨機(jī)測(cè)試（randomization test，RT）篩選特征波長(zhǎng)構(gòu)建的PLS-DA 模型鑒別正確率更高（96.97%），但該模型僅覆蓋3 個(gè)香菇主產(chǎn)地，模型適用性有限，后續(xù)研究應(yīng)擴(kuò)大樣品覆蓋范圍。在相同的波長(zhǎng)范圍內(nèi)，F(xiàn)u 等[46]對(duì)來(lái)自15 個(gè)產(chǎn)地的靈芝樣品進(jìn)行了NIRS 分類鑒別研究，采用一對(duì)一最小二乘支持向量機(jī)模型與SNV 預(yù)處理相結(jié)合使得產(chǎn)地鑒別正確率達(dá)93.17%。依然使用1000～2500 nm 波段信息，賴長(zhǎng)江生等[29]則選擇利用隨機(jī)森林（random forest，RF）算法對(duì)來(lái)自4 個(gè)產(chǎn)地的靈芝進(jìn)行判別分析研究，訓(xùn)練集預(yù)測(cè)準(zhǔn)確率達(dá)到96.87%，獨(dú)立測(cè)試集判別準(zhǔn)確率達(dá)到93.33%，與Fu 等[46]的研究結(jié)果相似。這說(shuō)明基于1000～2500 nm 譜區(qū)的NIRS 技術(shù)結(jié)合化學(xué)計(jì)量學(xué)能夠較準(zhǔn)確鑒別靈芝產(chǎn)地。

對(duì)于牛肝菌產(chǎn)地鑒別，云南農(nóng)業(yè)大學(xué)一課題組使用同一波段光譜信息（1000～2500 nm）進(jìn)行了多項(xiàng)研究，胡翼然等[47-48]先后對(duì)絨柄牛肝菌產(chǎn)地（云南4 個(gè)氣候帶）和美味牛肝菌產(chǎn)地（云南8 個(gè)產(chǎn)地）進(jìn)行了NIRS 鑒別分析。對(duì)于絨柄牛肝菌而言，基于特征變量的高級(jí)數(shù)據(jù)融合策略結(jié)合RF 產(chǎn)地鑒別正確率更高，為99.6%；對(duì)于美味牛肝菌而言，基于特征變量的中級(jí)數(shù)據(jù)融合策略結(jié)合PLS-DA 產(chǎn)地鑒別正確率更高，為100%。陳鳳霞等[49]對(duì)美味牛肝菌也做了產(chǎn)地鑒別研究（云南6 個(gè)產(chǎn)地），采用NIRS 和紫外光譜中級(jí)數(shù)據(jù)融合后鑒別正確率有所提升，訓(xùn)練集正確率為100%，預(yù)測(cè)集正確率為92.31%，分類效果明顯。Chen 等[50]篩選使用最優(yōu)波段光譜信息（1428.57～2500 nm）構(gòu)建ResNet 模型鑒別亞洲蘭茂牛肝菌產(chǎn)地，訓(xùn)練集和預(yù)測(cè)集正確率均為100%，外部驗(yàn)證集正確率為97.92%。總之，近年來(lái)的食用菌產(chǎn)地鑒別研究均基于1000～2500 nm 波段信息，盡管構(gòu)建識(shí)別模型的方法不同，但總體的鑒別正確率很高，這些研究結(jié)果可為進(jìn)一步開(kāi)發(fā)食用菌產(chǎn)地溯源技術(shù)提供方法借鑒（表4）。

表4 NIRS 技術(shù)用于檢測(cè)食用菌產(chǎn)地鑒別Table 4 Application of NIRS technology for origin identification of edible fungi

5 NIRS 技術(shù)用于檢測(cè)食用菌病原菌污染和摻假識(shí)別

除了以上四個(gè)方面的研究，NIRS 技術(shù)還用于檢測(cè)食用菌的病原菌污染、摻假等方面。劉晨等[51]基于傅里葉NIRS 技術(shù)建立了木耳受鐮刀菌（5 種常見(jiàn)菌）侵染程度的定性與定量分析方法，線性判別分析（LDA）模型定性分析總體正確率在80%以上，單一鐮刀菌侵染木耳樣品中，串珠鐮刀菌的PLS 定量預(yù)測(cè)效果最好（R2P=0.902，RMSEP=0.187 lg CFU/g），5 種鐮刀菌混合侵染木耳樣品的PLS 定量預(yù)測(cè)性能有所降低，詳見(jiàn)表5。Shi 等[52]探討了NIRS 技術(shù)結(jié)合化學(xué)計(jì)量學(xué)方法快速檢測(cè)靈芝孢子粉摻假（摻入干淀粉）的可行性，建立回歸模型計(jì)算靈芝孢子粉中淀粉的摻假量，結(jié)果顯示基于SNV 預(yù)處理構(gòu)建的PLS模型預(yù)測(cè)性能略好于ANN 模型。Yang 等[53]利用NIRS 技術(shù)識(shí)別杏鮑菇菌絲體的6 個(gè)生長(zhǎng)階段，競(jìng)爭(zhēng)性自適應(yīng)加權(quán)算法（CARS）篩選最優(yōu)波長(zhǎng)構(gòu)建的BPNN 模型識(shí)別準(zhǔn)確率可達(dá)99.67%。這些研究結(jié)果均說(shuō)明NIRS 技術(shù)在食用菌檢測(cè)方面具有很大的潛力，可為進(jìn)一步拓展NIRS 技術(shù)應(yīng)用提供數(shù)據(jù)支撐。

表5 NIRS 技術(shù)用于檢測(cè)食用菌病原菌污染和摻假識(shí)別Table 5 Application of NIRS technology for detection of contamination and adulterants in edible fungi

6 結(jié)論與展望

縱觀NIRS 技術(shù)在食用菌檢測(cè)方面的成果可以看出，NIRS 技術(shù)在食用菌生物活性成分檢測(cè)和產(chǎn)地鑒別方面研究較多，這也間接反映了消費(fèi)者更加注重健康飲食的理念。從各項(xiàng)研究結(jié)果看出，NIRS 技術(shù)具備在食用菌品質(zhì)檢測(cè)方面的應(yīng)用可行性，但仍存在以下問(wèn)題有待進(jìn)一步研究：a.由于食用菌成分復(fù)雜，其近紅外光譜的數(shù)據(jù)有效信息較為分散，干擾信號(hào)較多，模型的準(zhǔn)確度和穩(wěn)定性有待提高。b.在定量分析中，多數(shù)研究的樣品為干樣或粉質(zhì)產(chǎn)品，適用范圍具有局限性，可進(jìn)一步研究生鮮食用菌產(chǎn)品。c.目前食用菌的近紅外快速檢測(cè)研究，基本處于可行性探索，系統(tǒng)性研究較少。未來(lái)將試驗(yàn)?zāi)Ｐ蛻?yīng)用在實(shí)際檢測(cè)工作中，仍需多方面的探索。未來(lái)的研究可以選用大量且有代表性的樣品，并擴(kuò)充樣品集的種類和數(shù)量，對(duì)建模的分析軟件加以優(yōu)化等方法來(lái)提高模型的準(zhǔn)確度和穩(wěn)定性。

目前市面上已有成熟穩(wěn)定的NIRS 檢測(cè)設(shè)備，可實(shí)現(xiàn)對(duì)部分食品的快速檢測(cè)，但大多為進(jìn)口設(shè)備，自主研發(fā)設(shè)備甚少，尤其針對(duì)食用菌品質(zhì)檢測(cè)的設(shè)備幾乎沒(méi)有。當(dāng)前市場(chǎng)對(duì)快檢設(shè)備需求依舊旺盛，針對(duì)某種或某類食品的專業(yè)化NIRS 檢測(cè)設(shè)備依然短缺，如目前還未發(fā)現(xiàn)可以用于食用菌品質(zhì)快檢的專用NIRS 設(shè)備。未來(lái)深化NIRS 技術(shù)快速檢測(cè)食用菌研究應(yīng)從以下幾個(gè)方面重點(diǎn)考慮：a.我國(guó)食用菌品種繁多，因產(chǎn)地不同導(dǎo)致理化組分差異大，可根據(jù)不同檢測(cè)指標(biāo)采集代表性樣品，構(gòu)建可實(shí)現(xiàn)地方標(biāo)準(zhǔn)或企業(yè)標(biāo)準(zhǔn)的快速檢測(cè)模型。b.智能化時(shí)代背景下，應(yīng)融合最新的硬件和軟件技術(shù)，開(kāi)發(fā)新的最佳波長(zhǎng)篩選算法，構(gòu)建更加穩(wěn)健可靠的食用菌檢測(cè)模型。c.近紅外數(shù)據(jù)融合化學(xué)計(jì)量學(xué)算法后的模型穩(wěn)定轉(zhuǎn)化、模型集成、小型便捷專用化食用菌檢測(cè)設(shè)備研發(fā)及生產(chǎn)應(yīng)用依然是未來(lái)發(fā)展趨勢(shì)。