近红外光谱技术在食品产地溯源中的应用进展

管 骁，古方青，杨永健

(1.上海理工大学医疗器械与食品学院，上海200093； 2.上海市食品药品检验所，上海201203)

近红外光谱技术在食品产地溯源中的应用进展

管 骁1，古方青1，杨永健2

(1.上海理工大学医疗器械与食品学院，上海200093； 2.上海市食品药品检验所，上海201203)

食品产地溯源是食品安全追溯制度的重要工作。近红外光谱技术(near infrared spectroscopy，NIRS)作为一种兼具快速、简便、不破坏试样、分析过程无试剂消耗等优点的新兴绿色检测技术，近年来被逐步应用于食品产地溯源的研究中。简要介绍了应用于食品产地溯源研究中近红外光谱技术常用的化学计量学技术及软件平台，同时概述了近年来该技术在国内外食品产地溯源中的研究进展，分析了在目前产地溯源研究中的优势和存在的问题，以期为近红外光谱溯源技术的进一步发展提供参考。

化学计量学；产地溯源；近红外光谱

随着社会的发展及公众消费水平的提高，有机食品和健康食品日益受到消费者的青睐，特别是对有产地认证的有机食品和绿色食品的市场认可度更高，因此，具有地域特色的食品一旦被市场认可，即可产生良好的经济效益和品牌效应。然而，由于经济利益的驱使，往往导致一些不法生产者贩售伪劣食品，甚至以次充好、乱贴牌混淆消费者的判断，既使消费者的身体健康和生命安全受到严重威胁，也严重损害了合法生产厂商的利益。

在此背景下，食品认证工作尤为必要。当前的食品认证体系涵盖许多方面，包括原产地标识的建立、掺假行为的检测等，随着消费者对食品的安全性和真实性的意识的加强，对食品认证的诉求也在不断提高。2006年，欧洲理事会(European Council，UC)开始实行食品认证体系并在条例第2081/92号规定：在一个特定的地理区域使用安全可靠的技术进行加工、处理和储备的食品可被界定为具有原产地保护(protected designation of origin，PDO)[1]。食品认证体系保证了食品的质量与安全，并已经在全世界范围内得到广泛使用。我国在食品市场准入制度和溯源体系并不完善，食品认证体系方面的研究才刚刚起步，市场中充斥着以假乱真、以次充好的行为。因此，为了保护具有地域特色的食品，保证公平竞争，保障消费者的食品安全，在国内发展食品产地溯源技术意义重大。

从20世纪80年代开始，世界范围内有关农产品产地溯源技术的研究相继展开。依据不同来源农产品的有机成分存在差异、矿物质含量及成分不同、同位素比值法等原理，分别建立了不同的溯源技术和方法。总体来看，溯源技术目前大致包括质谱技术、分离技术、条码技术和光谱技术等，特别是光谱技术近年来因其快速、无须前处理以及非侵入性等优点被广泛用于产地溯源和食品品种的分类等定性分析中。

近红外光谱技术作为光谱技术的一种，通过在波数12 000～4 000 cm-1范围内采集待测试样的光谱信息来反映有机物分子中C—H、N—H、O—H等含氢基团振动基频在光谱段上的倍频与合频吸收，每条光谱都完整保留了能反映试样中有机物组分和含量的信息。不同产地来源的食品因为产地自然条件、加工方式、生产原料等不同，导致食品中主要有机物成分存在很大差别，以此表现在近红外光谱上的独特信息即可用于产地溯源[2]。

1 食品近红外产地溯源技术中的常用化学计量学方法

纵观近红外光谱信息，仅仅提供的是多元和非特异性信号，所以必须运用其他方法从光谱数据中筛选出相关信息。化学计量学是集合数学、化学、统计学以及计算机科学的一门边缘学科，其运用数学和统计学方法，设计或选择最优测量程序和实验方法，并通过解析化学测量数据来获取最大限度的信息。在食品定性分析中，化学计量学方法已经被广泛应用于构建食品之间的差异性模型而达到食品分类、产地溯源及鉴别掺假的目的。

目前，结合近红外光谱技术应用于食品产地溯源研究的常用化学计量学方法主要有：簇独立软模式分类法(soft independent modeling of class analogy,SIMCA)、偏最小二乘法(partial least square,PLS)、主成分分析(principle component analysis,PCA)、聚类分析(cluster analysis,CA)、线性判别分析(linear discrimination analysis,LDA)、典型判别分析(canonical discriminant analysis,CDA)、正则化分析(regularized dicriminant analysis,RDA)、分类回归树模型(classification and regression trees,CART)及K-最邻近法(K nearest neighbor,KNN)等[3-8]。

1.1 SIMCA法

SIMCA是最常用的类建模技术，该技术的基本特征是设计一种多变量数学模型来专门一次性描述单独的一类，即在类空间周围构建一个封闭边界，以这个边界来验证试样是否落在类内，用以直观地确认类归属。在SIMCA中，每个类别独立使用PCA模型，并且由不同的主成分进行描述。训练集中的每一类别的主成分数量由交叉验证结果决定。通过这种方式，保留了足够的能有效表征每一类别中大部分变量信息的主成分，同时通过排除代入噪音信息的主成分以保证类模型的高信噪比[3]。

Sinelli等[4]利用傅里叶近红外光谱技术结合传统感官评价方法对112组初榨橄榄油进行了产地溯源研究，分别采用了LDA和SIMCA分类法，结果表明，2种化学计量学技术对初榨橄榄油产地的判别正确率分别为71.6%和100%，说明SIMCA在进行初榨橄榄油产地分类时有极高的分辨率和灵敏度。Vitale等[5]采用近红外光谱技术结合化学计量学分析方法，建立了高附加值的开心果产地溯源身份验证模型，采集的开心果分别来自6个不同国家(意大利、印度、伊朗、叙利亚、土耳其、美国)共483组试样，以反射模式收集光谱数据并据此建立了簇独立软模式分类和偏最小二乘判别分析(partial least squares discrimination analysis,PLS-DA)溯源模型，发现除了来自土耳其和伊朗的产品外，其他来源的开心果模型均具有较高的灵敏度和专一度，尤其是产自意大利的开心果的PLS-DA模型识别率达到95%，而SIMCA模型的专一度高达97%。

1.2 PLS法

PLS被看作处理多元数据的主要回归技术，是一种多因变量对多自变量的回归建模方法，相当于多元线性回归分析、典型相关分析及主成分分析的结合。PLS对变量X和Y同时进行分解，从变量X和Y中同时提取成分(通常称为因子)，然后将因子按照彼此的相关性从大到小排列[6]。PLS在应用时受变量约束最少，因此适用于传统的多元校正法所不适用的许多场合。PLS模型可以预测与原始数据特征相似的未知试样，本质是统计预测，最常用的PLS技术有偏最小二乘无信息变量消除(partial least squares uninformative variable elimination,PLS-UVE)和PLS-DA。Sun等[7]对来自于3个牧区和2个农业区的羔羊肉进行了产地溯源，实验中采集了99只7～10月龄羔羊的右后腿肉作为研究对象，羔羊肉分别产自内蒙古自治区锡林郭勒盟、呼伦贝尔市、阿拉善盟以及重庆市和菏泽市，对99组肉试样的光谱数据进行了主成分分析和PLS-DA建模，结果表明对所有羔羊肉预测率都达到100%。由此可知，近红外光谱技术结合PLS-DA建立的模型可以用于食品产地溯源研究，且模型的预测精度高。

1.3 PCA法

PCA是一种通过减少数据维度，同时尽可能多地保留原始数据中有用信息并允许可视化的技术。因此，PCA是将原始测量变量转化为新的不相关的变量，即主成分(principle components,PCs)，每个PCs是原始测量变量的线性组合。这种技术同时提供了一组表示数据中最大方差的正交轴，第一主成分(PC1)在全方差中所占的比例最大，第二主成分(PC2)与第一主成分不相关，而在残余方差中所占的比例最大，依此类推，直到达到总方差。PCA通常作为产地溯源和品种分类中软件建模的基础分析模块。Luna等[8]结合近红外光谱技术(NIRS)和多元分类法来区别非转基因和转基因大豆油，应用PCA提取光谱数据中的相关变量并剔除异常值，然后在此基础上采用支持向量机判别分析(SVM-DA)和PLS-DA进行分类，结果表明应用SVM-DA分类结果正确率分别为100%、90%，而应用PLS-DA分类结果分别为95%、100%。由此可见，NIRS可以提供一种快速、非破坏性且可靠的方法用于区别非转基因和转基因大豆油。

2 食品近红外产地溯源技术中软件平台的应用

近红外光谱技术是一门从很强的背景信号中提取相对较弱的有用信息的技术，因此必须借助于化学计量学软件[9]。图1为近红外产地溯源技术流程示意图，在该示意图中，软件平台需要完成3个方面内容：光谱数据预处理，以消除噪声和减少基线漂移等；定量和定性分析，目的是建立稳定可靠的分析模型；模型传递，即将一台设备上建立的模型经过校正后转移到相同或类似的设备上，从而提高模型的适用性以减少模型建立所需的时间和费用。

图1 近红外产地溯源技术流程示意Fig.1 Technical flow diagram of geographical origin traceability of food products by NIR

2.1 光谱数据预处理

光谱数据预处理是建模的一个重要阶段，可以保证光谱数据和食品组成之间很好的相关性。一般预处理软件都是和近红外光谱仪相配套，现阶段使用最广泛的2种软件是：美国Bruker光谱公司发行的OPUS软件及Nicolet公司的Omnic。这2种预处理软件价格都比较低，功能简单便于掌握，但依然能够满足绝大部分用户需求；且都提供了常规光谱处理，如光谱计算、透射-吸收转换、自动基线校正、光谱平滑等，还可以同时处理多张图谱及3D图谱。

2.2 产地溯源模型的建立

在食品产地溯源建模过程中，常用的软件有CAMO公司开发的Unscrambler软件、MathWorks公司的MATLAB软件、Thermo Electron 公司的GRAMS软件[10]。Unscrambler是一个完善的多变量分析及实验设计软件，通过解析物质成分含量与复合光谱信息中的吸收对应关系，完成模型建立，从而解决了从大量的复合光谱信息中提取物质成分要素的问题。该软件备有强大数据处理方法，例如PCA、PLS、SIMCA、PLS-DA等，具备多变量绘图功能，如直接绘制线性图、直方图、矩阵图，同时根据分析结果按照预先设定的方式输出，能显示主成分得分图、载荷图、相关系数、方差、预测实际图、残差图等100多种统计图表[11]。

2.3 模型转移

模型转移技术是近红外光谱技术为提高模型的适用性而发展起来的(见图1中黑实箭头指示的流程)，吴继明[12]设计的Nirmdt软件集成了分段直接校正(piecewise direct standardization,PDS)、有限冲击响应(finite impulse response,FIR)等模型转移算法，成功修正了WQF-400N型傅里叶近红外光谱仪器之后，对菜籽油试样进行了测定，提高了模型的预测精度。国内外对于近红外光谱技术中模型转移的研究还不够深入，因此必须加大模型转移方向的研究力度，真正实现仪器标准化和模型共享。

3 食品近红外产地溯源技术的研究现状

近红外光谱技术应用于食品产地溯源始于20世纪80年代，由于产地品牌保护意识的提高以及掺假行为的加剧，使近红外技术在产地溯源、品种分类以及掺假检测方面的应用不断取得突破性进展。国外对于食品产地和品牌保护意识较高，如欧洲国家建立的原产地产品保护(PDO)，受保护的食品主要集中在附加值较高的产品，如葡萄酒、橄榄油等。但我国在该领域的研究还处在初始阶段，因此若想保护具有地域特色的产品，发展高附加值的食品，更要加大产地溯源及品牌保护技术的研发力度。

3.1 鱼、肉类食品溯源

Xiccato等[2]利用近红外光谱技术建立了3种意大利鱼类养殖场的SIMCA分类模型，实验捕获了散养、半散养、笼养模式下的236组试样，其中新鲜鱼片近红外光谱数据建立的模型识别率分别为65%、58%、45%，冻干鱼片建立的模型识别率分别为83%、80%、74%，据此得出结论：近红外光谱技术结合SIMCA可以用来建立产地溯源模型，且试样的处理状态可能会影响模型的精度。

Dian等[13]建立了近红外光谱技术对于散养与精饲料喂养的羔羊肉的鉴别模型，研究中采集了120组散养羔羊肉试样和139组精饲料喂养的羔羊肉试样的红外光谱，用以构造PLS-DA模型。所建模型对于2种饲养方式下的羔羊肉试样的正确识别率分别为97.8%和97.5%，同时比较了调用不同波段光谱数据建立的PLS-DA模型的识别能力，结果发现全波段光谱建立的模型的识别能力最高，这可能是因为全波段光谱携带了更多有用信息。

张宁等[14]采用近红外光谱技术结合SIMCA识别方法，对来自于国内4个不同产地的羊肉建立了溯源模型，结果表明，在1%显著水平下，4个产地校正集模型对未知试样的识别率分别为95%、100%、100%和100%，拒绝率均为100%，其验证集模型的识别率分别为100%、83%、100%和92%，拒绝率均为100%，由此证明了近红外光谱技术作为羊肉产地溯源的方法是切实可行的。

3.2 食用油溯源

Galtier等[15]用化学计量学处理过的近红外光谱数据定量评估了125组法国5个地区初榨橄榄油试样中的脂肪酸和三酰甘油，并对试样组建立了PLS-DA产地溯源模型，模型预测出了产于Aix-en-Provence、Haute-Provence、Nice、Nyons、Vallee des Baux的初榨橄榄油的正确鉴别率分别为91%、88%、90%、85%和83%，结果表明近红外技术可以用来对初榨橄榄油的化学成分进行定量分析，并且验证了建立产地溯源模型时不需要测定的化学成分。Bevilacqua等[16]将近红外光谱指纹图谱技术与化学计量学耦合，对特级初榨橄榄油试样进行了产地溯源。实验发现收集的橄榄油试样中有20组来自于有原产地认证的Sabina，37组则来自其他产地，用预处理之后的光谱数据建立的PLS-DA模型正确识别率达100%，而使用同样数据建立的SIMCA验证模型的识别率也达100%。由此可见，近红外可以作为一种快速溯源橄榄油试样的技术，并且随着化学计量学的发展以及计算机功能的不断强大，近红外光谱溯源技术可能会朝着便携式、快速化的方向发展。

3.3 酒类溯源

Liu等[17]将近红外光谱技术用于分类区别于来自不同国家(澳大利亚、新西兰、法国、德国)的雷司令葡萄酒，用透射模式对50组市售葡萄酒进行扫描并收集近红外光谱数据，并分别采用PCA、PLS-DA、逐步线性判别分析 (stepwise linear discriminant analysis,SLDA)等化学计量学进行光谱数据预处理与建模，同时进行交叉验证，发现PLS-DA校正模型对澳大利亚、新西兰、法国、德国的雷司令葡萄酒的正确鉴别率分别为97.5%、80%、70.5%和86.5%，SDLA模型的正确识别率分别为86%、67%、67%和87.5%，结果表明近红外光谱携带的信息可以用来分类葡萄酒产地，而葡萄酒酿酒工艺、发酵菌种以及葡萄种类均是造成近红外光谱差异的主要原因。

Egidio等[18]收集了比利时和其他欧洲国家生产的啤酒共275组试样，利用近红外传输反射光谱(transflectance spectral)数据并结合3种类建模方法(简易分类法、潜功能技术、不等分布分类法)分别建立了Trappist 和Rochefort 2个产地啤酒定性模型，以灵敏度(sensitivity)、专一度(specificity)、有效性(efficiency)来评价模型的精度，最后用PLS-DA区别Rochefort 8度和10度啤酒，结果表明：Trappist啤酒模型的灵敏度较低，而SIMCA和不等分布分类法 (unequal dispersed classes,UNEQ)建立的Rochefort模型的灵敏度分别为81.4%和84.5%，PLS-DA建立的对不同度数啤酒的判别模型的正确分类比例达到93.4%，模型精度都不高的原因可能是分布在多维空间中的数据较复杂从而影响了模型的专一度，还有可能是数据变量中包含的有用信息较少，因此找到一种剔除数据变量中无用信息的方法是提高模型精度的有效手段。

3.4 其他类食品的溯源

Cozzolino等[19]对巴拉圭茶建立地理起源标识时，使用近红外光谱数据并结合PCA、PLS-DA以及LDA技术，其中PLS-DA与LDA建立的分类模型的整体识别率分别为76%和100%，结果表明近红外光谱技术可以用于食品生产链中原材料的初步筛选，而模型建立时应用的分类方法以及模型转移还需进一步研究。刘沭华等[20]采用近红外光谱结合KNN和支持向量机(support vector machine,SVM)模式识别技术，对来自4个不同产地的白芷试样和6个不同产地的丹参试样进行了鉴别，结果表明，模型交叉验证准确率分别达到99%和95%，说明近红外技术在中药材溯源研究领域也有较好的应用前景。

综上所述，很多情况下近红外光谱技术结合化学计量学方法可以为食品产地溯源提供一个快速、操作简便、非侵入式的认证工具。然而近红外光谱技术对食品进行产地溯源，归根结底是对食品进行品种分类，其中食品掺假检验的研究也是食品产地溯源研究中的重要任务，国内外学者已经在食品品种分类和掺假检验方面进行了初探，Pontes等[21]应用近红外光谱技术对4种酒精饮料(威士忌、白兰地、朗姆酒、伏特加)进行分类并对掺假饮料进行确认。结果在置信水平为95%时，SIMCA模型对4种酒精饮料的识别率为100%，并发现利用此模型对掺入5%和10%的水、乙醇、甲醇的试样识别率也达100%。因此，近红外光谱技术可以作为一种筛选分析工具用来检测酒精饮料的掺假行为。

Maria等[22]提出用近红外光谱技术对乳粉进行分类，实验中38组乳粉试样来自巴西的纳塔尔、萨尔瓦多以及里约热内卢，采用的SIMCA建模方法可使最终的分类精度达到100%。因此，证明近红外光谱技术可以代替常规定量测定方法实现乳粉分类，该方法快速且对试样无破坏。

Ghasemi-Varnamkhasti等[23]研究了近红外光谱技术与化学计量学结合用以监测啤酒老化的可行性。研究中采集了83组市售含酒精的与不含酒精的灌装啤酒，运用连续投影算法(successive projections algorithm,SPA)选择近红外光谱变量建立LDA分类模型，由PCA结果可知，3个熟龄阶段(1、10和20d)的啤酒明显具有聚类效果，且SIMCA验证模型对酒精类啤酒的识别率达到100%，对不含酒精的啤酒的识别率只有82%。而连续投影算法结合线性判别分析法(successive projections algorithm-linear discrimination analysis，SPA-LDA)仅选取了单一波数5 550和7 228 cm-1，对含酒精与不含酒精的啤酒进行预测时，仅有一组被错误预测。由此可知，将近红光谱技术与化学计量学结合用于在线检测的啤酒老化的构想可能会实现，进一步验证时还须加大试样量，而建模方法的选择仍需探究。

4 NIRS技术在食品产地溯源中存在的问题与展望

近年来，近红外光谱技术在食品产地溯源方面的研究尽管得到了飞速发展，但仍存在以下几方面的问题有待进一步深入研究：1)溯源模型的识别率有待进一步提高。这主要是由于近红外模型中的数据变量分散在多维空间，影响了模型的专一度。即使利用全波段光谱进行建模，但由于数据中有用信息量较少，仍会导致所建模型稳健度较低，影响最终的预测结果。因此，以后的研究中可以通过筛选有用数据变量集、剔除异常试样值等方法提高建模精度；同时增加模型中试样的数量，不仅可使得聚类效果更佳，也可以使模型涵盖的试样信息更丰富，从而提高预测率，减少错误识别。2)目前将实验阶段的食品产地溯源模型用于实际食品产地检测还须进行多方面探索，如算法的选择、模型的适应等。3)适用于处理近红外光谱信息的化学计量学软件仍有待进一步完善，以提高近红外技术的分析速度与预测精度等，从而使食品追溯体系更加健全。与传统分析检测方法相比，现代近红外光谱技术检测速度快，信息处理的自动化程度也大大提高，减少了人为分析的误差，同时避免了试样破坏，因此近红外光谱检测技术在食品产地溯源中的应用前景将越来越广阔。

[1] Drivelos S A,Georgiou C A.Multi-element and multi-isotope-ratio analysis to determine the geographical origin of foods in the european union[J].Trace Trends in Analytical Chemistry,2012,40:38-51.

[2] Xiccato G,Trocino A,Tulli F,et al.Prediction of chemical composition and origin identification of european sea bass (DicentrarchuslabraxL.) by near infrared reflectance spectroscopy (NIRs)[J].Food Chemistry,2004,86(2):275-281.

[3] Svensson O,Josefson M,Langkilde F W.Classification of chemically modified celluloses using a near-infrared spectrometer and soft independent modeling of class analogies[J].Applied Spectroscopy,1997,51(12):1826-1835.

[4] Sinelli N,Cerretani L,Egidio V D,et al.Application of near (NIR) infrared and mid (mir) infrared spectroscopy as a rapid tool to classify extra virgin olive oil on the basis of fruity attribute intensity[J].Food Research International,2010,43(1):369-375.

[5] Vitale R,Bevilacqua M,Bucci R,et al.A rapid and non-invasive method for authenticating the origin of pistachio samples by NIR spectroscopy and chemometrics[J].Chemometrics and Intelligent Laboratory Systems,2012,36(5):168-175.

[6] Hulland J.Use of partial least squares (Pls) in strategic management research:a review of four recent studies[J].Strategic Management Journal,1999,20(2):195-204.

[7] Sun S,Guo B,Wei Y,et al.Classification of geographical origins and prediction of delta13c and delta15n values of lamb meat by near infrared reflectance spectroscopy[J].Food Chemistry,2012,135(2):508-514.

[8] Luna A S,Da Silva A P,Pinho J S,et al.Rapid characterization of transgenic and non-transgenic soybean oils by chemometric methods using NIR spectroscopy[J].Spectrochimica Acta Part A:Molecular and Biomolecular Spectroscopy,2013,100(1)：15-19.

[9] 刘国珍,陈祖刚，李丹，等.近红外光谱分析技术进展及其在烟草行业中的应用[J].烟草科技,2001(11):15-17.

[10] 陆婉珍.现代近红外光谱分析技术[M].北京：中国石化出版社,2007.

[11] Faber K,Kowalski B R.Prediction error in least squares regression:further critique on the deviation ssed in the unscrambler[J].Chemometrics and Intelligent Laboratory Systems,1996,34(2):283-292.

[12] 吴继明.模型转移技术在近红外光谱仪器上的应用研究[D].镇江:江苏大学，2007.

[13] Dian P H,Andueza D,Jestin M,et al.Comparison of visible and near infrared reflectance spectroscopy to discriminate between pasture-fed and concentrate-fed lamb carcasses[J].Meat Science,2008,80(4):1157-1164.

[14] 张宁,张德权,李淑荣,等.近红外光谱结合 SIMCA法溯源羊肉产地的初步研究[J].农业工程学报,2009,24(12):309-312.

[15] Galtier O,Dupuy N,Le Dreau Y,et al.Geographic origins and compositions of virgin olive oils determinated by chemometric analysis of NIR spectra[J].Analytica Chimica Acta,2007,595(1/2):136-144.

[16] Bevilacqua M,Bucci R,Magri A D,et al.Tracing the origin of extra virgin olive oils by infrared spectroscopy and chemometrics:a case study[J].Analytica Chimica Acta,2012,71(7):39-51.

[17] Liu L,Cozzolino D,Cynkar W U,et al.Preliminary study on the application of visible-near infrared spectroscopy and chemometrics to classify riesling wines from different countries[J].Food Chemistry,2008,106(2):781-786.

[18] Egidio V D,Oliveri P,Woodcock T,et al.Confirmation of brand identity in foods by near infrared transflectance spectroscopy using classification and class-modelling chemometric techniques:the example of a belgian beer[J].Food Research International,2011,44(2):544-549.

[19] Cozzolino D,Restaino E,Fassio A.Discrimination of yerba mate (Ilexparaguayensisst.hil.) samples according to their geographical origin by means of near infrared spectroscopy and multivariate analysis[J].Sensing and Instrumentation for Food Quality and Safety,2010,4(2):67-72.

[20] 刘沭华,张学工,周群,等.近红外漫反射光谱法和模式识别技术鉴别中药材产地[J].光谱学与光谱分析,2006,26(4):629-632.

[21] Pontes M J C,Santos S R B,Ara Jo M C U,et al.Classification of distilled alcoholic beverages and verification of adulteration by near infrared spectrometry[J].Food Research International,2006,39(2):182-189.

[22] Inácio M R C,de Moura M F V,de Lima K M G.Classification and determination of total protein in milk powder using near infrared reflectance spectrometry and the successive projections algorithm for variable selection[J].Vibrational Spectroscopy,2011,57(2):342-345.

[23] Ghasemi-Varnamkhasti M,Mohtasebi S S,Rodriguez-Mendez M L,et al.Screening analysis of beer ageing using near infrared spectroscopy and the successive projections algorithm for variable selection[J].Talanta,2012,89(2)：86-91.

(责任编辑 周晓薇)

Application of near infrared spectroscopy(NIRS) in geographicalorigin traceability of food products

GUAN Xiao1,GU Fangqing1,YANG Yongjian2

(1.School of Medical Instruments and Food Engineering，University of Shanghai for Science and Technology，Shanghai 200093，China;2.Shanghai Institute for Food and Drug Control,Shanghai 201203,China)

Food origin traceability was an important part of food safety traceability system.As an emerging green analysis technology with expeditiousness,simple operation,non-invasive and no reagent consumption,near infrared spectroscopy (NIRS) had been used in the geographical origin traceability of food products in recent years.In this paper,the common used chemometrics and software platform for NIRS applied in the geographical origin traceability were introduced.Meanwhile,the research advance of NIRS applied in the geographical origin traceability of food products both at home and abroad was summarized,and the advantages and problems of NIRS were analyzed.It was expected to provide a useful direction for the future development of NIRS in food traceability of origin.

chemometrics;geographical origin traceability;NIRS

10.3969/j.issn.1672-3678.2014.02.015

2013-06-21

国家自然科学基金(31101348,31000780)

管 骁(1979—)，男，湖北黄冈人，副教授，研究方向：食品安全监控技术，E-mail:gnxo@163.com

TS07

A

1672-3678(2014)02-0077-06