光谱分析技术在水果品质与安全检测中的应用*

沈 宇，王风云，郑纪业※，房 胜，李 哲，张 琛

（1.山东省农业科学院科技信息研究所，济南 250100；2.山东科技大学计算机科学与工程学院，青岛 266000）

关键字：光谱分析；可见光/近红外光谱；拉曼光谱；水果；品质检测；安全检测

0 引言

我国水果产量位居世界首位，但出口量占国内水果总产量的比例远低于发达国家，其主要原因在于水果的种植技术、采摘、运输手段以及分级包装方式低下，成品水果质量安全不达标且浪费严重。从人们的消费观念和目前国际贸易市场的发展来看，水果质量和安全是市场准入和人们消费的关键，一旦水果的质量与安全出现问题，水果的销量和市场竞争力就会大幅度降低。因此，提高水果的种植技术，实施水果采摘后和销售前的品质与安全检测，进行不合格水果的快速加工处理，对扩大出口和增强市场竞争力具有十分重要的意义。国内早期的水果品质检测方法主要是人工检测和化学试剂检测，人工检测仅局限于水果外观，且检测标准不明确，会受个人主观因素的影响，检测效率低，不能满足水果生产的商品化需求；化学试剂检测是一种过程繁琐的破坏性检测方式，可靠性和稳定性较差。鉴于以上原因，具有准确度高、实时性强、快速便捷特点的无损检测技术越来越受关注。目前，常见的无损检测技术主要包括光谱分析技术、光谱成像技术、计算机视觉技术、介电特性检测技术、声学特性及超声波检测技术、生物传感器技术、核磁共振技术、电子鼻和电子舌技术等，这些技术针对不同的检测对象和指标具有不同的优势［1］。其中光谱分析技术凭借其高效、安全、成本低及可同时测量多个组分的特点，已经发展为当今的研究热点［2］。为了深入了解光谱分析技术在我国水果品质与安全检测中的研究进展，本文主要以可见光/近红外和拉曼光谱分析技术为主，总结其在我国水果品质与安全检测等方面近些年的研究成果，指出其存在的问题，并展望未来发展方向。

1 检测原理

光谱分析技术是根据物质的光学特性，鉴别物质及确定其化学成分的技术。目前在水果品质与安全检测中最常用的光谱分析技术是可见光/近红外光谱和拉曼光谱分析。

近红外光谱分析法主要分析光照射下物质的吸收光谱。近红外光是一种位于可见光和中红外之间的电磁波谱，是人们在吸光光谱中发现的第一个非可见光，其波长范围为780～2 526 nm。近红外光谱主要来源于分子中含氢基团（C—H、N—H、O—H）振动的倍频和合频吸收，其中包含了大多类型有机化合物的组成和分子结构信息，因此，为利用近红外光谱分析技术进行样品的定性和定量分析提供了可能。近红外光谱仪的光谱响应范围很大程度上取决于检测器，当检测器的响应范围包括可见光波段时，又称之为可见/近红外光谱分析［1］。当光照射样品时，可见光/近红外光线会根据样品氢基团振动频率的不同被选择性吸收，形成样品的可见光/近红外光谱，据此可以进行样品的定性和定量分析。定性分析的主要目的是确定物质的组成和分子结构，定量分析则是确定物质某些组成成分的含量。由于可见光/近红外光谱分析是一种间接分析技术，在进行样品分析时，需要在样品的光谱信息和待测属性值之间建立一种关联模型。在水果质量与安全检测中常用的建立关联模型的方法包括：偏最小二乘回归分析法、支持向量机、遗传算法等。

拉曼光谱分析技术是一种散射光谱分析技术，其主要包括激光拉曼光谱技术、傅里叶变换拉曼光谱技术、显微拉曼光谱技术、共振拉曼光谱技术和表面增强拉曼光谱技术。拉曼光谱的波段范围为40～4 000 cm-1，拉曼光谱和近红外光谱都是由化合物分子受光照射后发生振动产生的。与近红外光谱不同的是，拉曼光谱是一种非弹性散射光谱，是分子极化率改变的结果。当光照射样品时，入射光光子与分子相互作用发生弹性散射和非弹性散射，弹性散射的散射光与激发光频率相等，非弹性散射的散射光频率高于或低于激发光的频率，统称为拉曼效应。拉曼效应由印度科学家C.V.拉曼发现［2］。拉曼光谱分析就是在拉曼效应的基础上，对与激发光频率不同的散射光谱即拉曼光谱进行分析，拉曼光谱携带了物质的分子和结构信息，其中拉曼峰的位移反映了物质的组成和分子结构，拉曼峰的强度反映了物质的浓度和总量。因此，拉曼光谱的峰位和峰强为利用拉曼光谱样品进行定性和定量检测提供了依据。

2 光谱分析在水果品质与安全检测中的应用

2.1 品质检测

近年来，光谱分析技术在我国水果品质检测方面得到了广泛应用，出现了大量研究成果，主要涉及不同的水果种类和检测指标、不同的光谱数据获取和处理方式，及不同的结果精度［3］。

可见光/近红外光谱分析技术主要检测的水果内部品质，包括糖、酸、可溶性固形物和维生素C含量及坚实度、内部霉变等。水果糖、酸含量不仅是评价水果食用品质的重要指标，同时也是检验水果成熟度的重要指标。彭嘉虎［4］利用近红外漫反射技术结合小波变换预处理方法对鲜枣糖、酸度进行检测，结果表明，采用径向基函数（Radial Basis Function，RBF）神经网络建立的糖、酸分析模型预测精度要高于BP（Back Propagation，BP）神经网络、偏最小二乘法（Partial Least Squares，PLS）的检测精度，其预测鲜枣糖度与酸度的相关系数r分别为0.994 1，0.981 5；均方根误差RMSEP分别为1.620 5、0.253 3。原帅等［5］运用可见光/近红外光谱分析技术，结合小波去噪法和主成分回归分析法（Principle Component Regression，PCR）检测樱桃含糖量，结果表明该方法具有可行性。许峰等［6］利用可见光/近红外透射光谱技术在波长400～1 000 nm范围内，结合Savitzky-Golay卷积平滑法、蒙特卡罗交叉验证法（Monte Carlo Cross Validation，MCCV）和竞争自适应重加权采样法（Competitive Adaptive Reweighted Sampling，CARS）实现红提糖、酸度检测，结果表明该方法消除了模型的过拟合现象，提高了预测结果精度。

水果可溶性固形物包括可溶性酸和单糖、双糖、多糖等可溶性糖类，是影响水果品质的重要理化性指标。代芬等［7］首先比较了可见光/近红外漫反射和漫透射光谱采集系统对荔枝可溶性固形物含量（Soluble Solids Content，SSC）检测的适用性，由于荔枝具有较硬而且凹凸不平的果壳，采用可见光/近红外漫透射方法，光线能很好地进入到果肉的内部，充分携带果肉的信息；然后利用漫透射方式获取光谱数据，基于连续投影算法（Successive Projections Algorithm，SPA）结合相关系数法提取特征波长，建立检测荔枝SSC的神经网络模型，结果表明基于可见光/近红外光谱进行荔枝SSC预测具有可行性。许文丽等［8］采用可见光/近红外光谱联合CARS和SPA对苹果的SSC进行快速无损在线检测研究，结果显示在线可见光/近红外光谱变量筛选能降低建模变量的数目，提高模型的稳定性。陈辰等［9］利用可见光/近红外漫反射光谱技术在408～1 092.8 nm波段范围内，结合二阶导数和去散射方法建立葡萄贮藏期间的SSC预测模型，其交叉验证均方根误差RMSECV为0.308 7，交叉验证决定系数R2cv为 0.980 2。陈帅帅等［10］应用可见光 /近红外光谱，研究不同建模和光谱预处理方法对寒富苹果SSC无损检测模型准确性的影响，结果表明，在780～1 100 nm范围内，采用改进偏最小二乘法（MPLS），间隔点为2，平滑点为2，结合去散射处理和一阶求导处理所建立的寒富苹果SSC定标模型最好，其定标模型的RMSECV为0.306，R2cv为0.961；RMSEP、预测决定系数R2p、预测相对分析误差RPD分别为0.357、0.944、4.967。纵观已有的水果SSC检测研究，大多是通过采用不同数据处理方法来提高模型精度和稳定性，而忽略了对影响因素的分析。2018年，孙通等［11］利用可见光/近红外光谱技术分析了果皮对脐橙内部SSC检测精度的影响，结果表明在5%的置信水平下，果皮对SSC检测精度的影响是显著的，但并未实现去除果皮影响，提高完整脐橙的SSC检测精度。

维生素C不仅是人体必需的营养素，也是衡量水果品质的指标之一。傅霞萍等［12］利用高效液相色谱技术和可见光/近红外光谱分析技术结合不同预处理方法，建立了猕猴桃在不同传输速度下的维生素C含量分析模型，结果表明利用可见光/近红外光谱分析技术检测猕猴桃维生素C含量是可行的。罗枫等［13］利用近红外光谱分析技术，对樱桃冷藏过程中的维生素C含量进行检测，结果表明利用MPLS结合标准正常化处理建立的模型具有较好的预测效果、适应能力和稳定性。陈辰等［14］利用可见光/近红外漫反射技术，结合MPLS方法，建立了红提葡萄维生素C含量检测模型，该模型的预测相对分析误差为3.64，模型的稳定性较高。宋雪健等［15］利用近红外光谱技术对鲜切哈密瓜的维生素C含量和SSC含量进行快速检测研究，建立预测模型，结果表明应用近红外光谱检测冷藏过程中樱桃维生素C含量是可实现的，并能对其进行定量分析，对樱桃内部品质进行评价。

坚实度是水果质量判别的又一依据。2010年，陈明林等［16］利用近红外光谱分析技术和化学计量学分析方法，对苹果果肉坚实度进行定量检测研究。结果表明，基于原始光谱建立的PLS模型对苹果坚实度的预测效果较好，预测集r和RMSEP分别为0.613，3.12，校正集r和RMSEC分别为0.782，1.98。通常水果硬度的检测方式是采用果肉硬度，而王丹等［17］则采用果皮脆性、果皮强度和果肉平均硬度等指标代表果实硬度的变化。实验结果表明，利用可见光/近红外反射光谱无损检测甜柿果实硬度具有可行性，其中果皮脆性的模型最优。2014年，张德虎等［18］对利用可见光/近红外光谱检测河套密瓜糖度和硬度的可行性进行了研究。2018年，王转卫等［19］利用近红外漫反射技术结合化学计量学方法建立预测可溶性固形物含量、硬度、pH值和含水率的最小二乘支持向量机（LSSVM）和极限学习机（ELM）模型，并分析了PCA、SPA和无信息变量消除法等3种降维方法对模型预测性能的影响。结果表明，模型SPA-ELM预测SSC、pH值的效果最优，其RMSEP分别为0.443 5和0.68；模型PCA-ELM预测硬度、含水率的效果最优，其 RMSEP 分别为 0.261 2 和 0.623 5。

内部霉变不仅影响水果的口感，而且会加速水果的腐烂，因此，研究水果内部霉变快速检测技术尤为重要。李顺峰等［20］利用近红外漫反射技术结合PCA建立Fisher判别模型，建模集与验证集判别正确率分别为89.9%和87.8%，初步证明了利用近红外漫反射光谱技术判别苹果霉心病的可行性。为了提高苹果霉心病判别模型的精度，雷雨等［21］从数据获取和处理方法上进行深入分析，利用可见光/近红外透射能量光谱技术结合支持向量机和PCA算法对苹果霉心病果和健康果进行快速无损识别，测试集与训练集中霉心病果和健康果的识别正确率分别为99.3%和96.7%，同时由于霉心病早期发生在果心及其附近，通过近表面光谱漫反射的检测方式难以反映果心及深层果肉的特征信息，得出透射光谱更适合苹果霉心病的检测。苏东等［22］提出了一种基于透射光谱的苹果霉心病多因子无损检测方法，通过融合多波段透射光谱与苹果直径，构建苹果霉心病Fisher判别模型。模型的总体识别率为93.1%，而仅采用透射光谱建立的模型识别率为91.37%。结果表明，基于透射光谱与直径结合的多因子检测方法检测苹果霉心病是可行的。周兆永等［23］基于透射光谱技术，建立基于遗传算法优化支持向量机（GA-SVM）的有无霉心病判别模型和基于深度置信网络（DBN）的苹果霉心病病害程度判别模型，对苹果霉心病无损检测系统进行设计，该系统判别霉心病有无和病害程度的正确率分别为96.67%和87.5%。张海辉等［24］结合苹果霉心病在果心发病的特征，采用透射光谱检测方式，设计实现基于窄带LED光源与光敏二极管的苹果霉心病无损检测设备，设备判别率达95.83%。

水果品质除了包括糖、酸、可溶性固形物等内部品质外，还包括表面的损伤和缺陷等。李光辉等［25］利用傅里叶近红外光谱分析技术对苹果的种类和损伤进行快速、无损检测研究，结果表明基于PLS建立的预测模型效果最好，同时近红外光谱技术结合化学计量学可以实现快速鉴别苹果是否有损伤以及不同品种的苹果。郭文川等［26］利用近红外漫反射光谱对猕猴桃进行损伤识别研究，得出基于SPA结合LSSVM模型的识别性能最佳，对预测集碰撞损伤样品、挤压损伤样品与无损样品的正确识别率分别达到100%、95%和100%，总正确识别率为98.2%。刘燕德等［27］采用可见光/近红外漫透射光谱技术，实现了黄桃表面缺陷与可溶性固形物同时在线检测。李轶凡等［28］采用可见光/近红外光谱技术和偏最小二乘判别分析（PLS-DA）方法检测大黄桃表面缺陷，结果表明该方法具有较高的识别准确率。

拉曼光谱分析技术虽然也可以用于水果品质检测，但可检测的指标很少。陈思雨等［29］应用拉曼光谱结合化学计量学方法对苹果早期轻微损伤进行了快速识别研究，结果表明，该方法可快速识别苹果的早期轻微损伤，展示了拉曼光谱技术用于判别苹果早期轻微损伤的应用前景。

2.2 安全检测表面农药残留是水果安全检测的首要指标

我国在利用可见光/近红外光谱技术分析水果农药残留领域尚处于起步阶段，研究成果较少。黎静等［30］采用可见光/近红外漫反射光谱技术检测脐橙表面的农药污染程度。基于不同的光谱数据预处理方式，在不同光谱波段下建立识别脐橙污染程度的PLS数学模型。对比分析结果得出：在波段430～1 000 nm内，采用一阶微分预处理方法建立的PLS校正模型结果最优，其预测值和真实值之间的相关系数和预测均方根误差分别为0.983 0和0.148 2。研究表明，可见/近红外漫反射光谱技术可以定性检测脐橙的农药污染程度。陈菁菁等［31］分别采用PLS和最佳波段差值回归法结合不同的光谱预处理方法建立农药质量比的预测模型，预测相关系数分别为0.954和0.904，初步实现了微量有机磷农药的定量检测。蒋霞等［32］利用近红外光谱技术，结合PLS和SPA方法检测鲜枣表面不同浓度毒死蜱农药的残留量，结果表明该方法检测鲜冬枣表面农药残留量是可行的。

在农药残留检测中常用的拉曼光谱技术有傅里叶变换拉曼光谱技术和表面增强拉曼光谱技术等。傅里叶变换拉曼光谱技术以近红外激光为光源，采用傅里叶变化技术进行收集信号，荧光抑制能力强；表面增强拉曼光谱技术具有增强分析试样拉曼效应的能力，能够满足痕量分析的需求，因此拉曼光谱分析技术在水果农药残留量检测方面得到了广泛应用。王晓林等［33］采用表面增强拉曼光谱技术，结合快速溶剂前处理方法和化学计量方法，建立快速检测脐橙果肉中的三唑磷农药残留的模型。模型预测集RMSEP为1.38，r为0.9767，RPD为4.66。万常斓等［34］利用常规拉曼光谱技术和表面增强拉曼光谱技术，检测脐橙表面农药残留，结果表明，利用拉曼光谱技术结合化学计量方法可以定量检测残留在水果表皮的农药常规浓度残留含量，同时利用表面增强技术，可以对农药微量溶液进行快速检测。该研究只分析了单一类型农药的残留，且种类少，而实际的水果残留是多种农药的混合。王海阳等［35］利用表面增强拉曼光谱技术结合二阶导数微分预处理和PLS算法实现了脐橙表面残留混合农药的定性定量分析。刘燕德等［36］利用表面增强拉曼光谱技术，结合化学计量方法对脐橙表面的混合农药进行定量分析，结果显示，光谱数据经一阶导数处理后，在拉曼光谱全波段200～2 300 cm-1和特征波段200～620 cm-1，830～1 040 cm-1及 1250～2 300 cm-1建立的 PLS 模型预测效果较好，模型的预测集 r分别为0.912、0.909，RMSEP分别为3.601和3.338。表明使用拉曼光谱技术可以对脐橙表皮上残留的混合农药进行定量分析。以上研究均是基于水果表面农药的残留进行分析和检测的，而忽略了其内部农药残留情况。陈文等［37］利用表面增强拉曼光谱技术、PCA和PLS方法实现了对西瓜内部杀螟硫磷农药残留量的定性定量检测。

3 存在的问题与发展方向

3.1 存在的问题

在水果品质和质量安全检测领域，相比以往的应用方式，可见光/近红外和拉曼光谱分析技术虽然具有快速、无损的特点，但也存在一些问题。

（1）利用可见光/近红外和拉曼光谱检测水果质量安全的研究大多集中于静态的实验室分析，对于动态的工业应用实用性较差。

（2）大多研究仅通过改进数据处理方法来提高模型的预测精度，少有研究从检测指标的实际影响因素上进行深入分析。

（3）利用可见光/近红外和拉曼光谱技术检测水果品质的模型，能够同时检测的指标较少，模型的通用性较差。

3.2 发展方向

通过综合分析，本文对可见光/近红外光谱和拉曼光谱在水果质量与安全检测应用方面的未来发展方向展望如下。

（1）开发利用可见光/近红外和拉曼光谱技术能够同时检测水果多指标的、通用性强的在线平台，摒弃多模型单指标和静态实验室研究的局限。

（2）利用拉曼光谱进行水果质量与安全检测时，可考虑结合多种关联模型建立的方法，优化检测模型，提高检测精度。

（3）随着可见光/近红外和拉曼光谱技术的不断发展，未来痕量检测的研究前景也将更广泛。

光谱分析技术除了包含本文所提及的最常用的两种技术外，还包括荧光光谱分析技术、X射线光谱分析技术等。目前，荧光光谱分析技术、X射线光谱分析技术已经初步应用到我国水果品质和安全监测领域。未来光谱分析无损检测技术的发展，将进一步提高我国水果的品质与安全，带动我国水果智能分级产业的发展。