油料作物与产品品质近红外光谱及高光谱成像检测研究进展

鞠 皓， 姜洪喆， 周宏平

(南京林业大学机械电子工程学院，南京 210037)

油料作物是指种子含有大量脂肪，可以用于提取油脂供食用或工用、医用的作物[1]。常见的包括花生、大豆、油菜、芝麻等草本油料作物以及油茶、核桃等木本油料作物。我国是油料生产和消费大国，2019年我国油料总产量为6 666.0万t，仅食用油消费量高达3 978.0万t[2]。油料产品含有丰富的营养成分，如脂肪酸、植物甾醇、生育酚、角鲨烯等，对降低胆固醇、预防心血管疾病有重要作用[3]。随着社会发展和生活水平的提高，人们对优质健康的食用油料油脂的需求越来越大，但是油料作物生产受气候、环境、技术等因素的影响，而且粮油市场又存在制假售假等非法行为，因此油料作物及产品的品质检测不仅能够稳定粮油市场的正常秩序，还直接影响到人们的身体健康和生命安全。

目前，对油料产品品质的检测大多采用传统的化学分析方法，如气相色谱法、液相色谱法以及气相色谱质谱联用法等，但该类方法不仅需要配制试剂，而且整个检测过程操作复杂、耗时长、成本高[4, 5]。与传统的化学检测方法相比，近红外光谱、高光谱成像、拉曼光谱以及太赫兹光谱等无损检测技术，具有无需化学试剂、操作简单、耗时短等优点，弥补了传统检测方法的不足[6-10]。其中，近红外光谱及高光谱成像技术已有大量研究证实其在油料作物及产品品质无损检测方面具有重大潜力。

为追踪近红外光谱及高光谱成像技术在油料产品品质检测方面的研究进展，本研究综述了其在油料作物理化指标的测定、食用油真实性鉴别以及在油料作物品种识别与产地鉴定中的研究现状，讨论了其存在的优势及不足，并对油料产品品质的近红外光谱及高光谱成像无损检测技术的发展前景进行展望。

1 近红外光谱和高光谱成像

近红外光谱(NIRS)是一种利用电磁波谱近红外区域进行光谱分析的方法，美国材料检测协会(ASTM)将近红外光谱区定义为780～2 526 nm的区域。由于近红外光谱与有机分子中含氢官能团(C—H、O—H、N—H、S—H)振动的合频以及各级倍频的吸收一致，因此当近红外光照射到油料作物样品时，其基本成分(如脂肪、蛋白质、水分等)的结构、组成差异会使光谱在特定波长上发生偏移[11-13]。近红外光谱技术的一个重要特点在于其技术本身的成套性，即近红外光谱仪、化学计量学和应用模型的三位一体，因此通过化学计量学手段提取近红外光谱中的有效信息并建立合理模型，能够定性和定量地检测油料作物的化学成分，以及实现食用油掺假的鉴别[14, 15]。

高光谱成像(HSI)技术结合了光谱技术快速、无损的优点，同时借助成像技术获取样品的图像，提供详尽的空间信息[16]。如图1所示，典型的高光谱成像系统主要由卤素灯光源、成像光谱仪、CCD相机、相机镜头、传送平台、步进电机以及计算机硬件及软件等组成。高光谱图像数据采集方式有点扫描、线扫描以及面扫描3种，其中点扫描方式的精度最高，而线扫描应用最为广泛[17]。图2为典型的高光谱图像以及像素点光谱曲线提取示意图，高光谱图像是由二维空间维度(x,y)和一维光谱维度(λ)组成的三维数据立方体(x,y,λ)，因此高光谱图像也称之为高光谱立方或者高光谱数据立方[18]。

注：1 相机；2 光谱仪；3 镜头；4 光源；5 样品；6 运动平台；7 步进电机；8 计算机。图1 高光谱成像系统示意图[19]

图2 油茶果高光谱图像立方体

近红外光谱与高光谱成像的数据处理通常包括光谱数据的采集、光谱信息的预处理、特征波选取以及模型的建立与评价等步骤，其流程如图3所示。通过Savitzky-Golay卷积平滑算法、多元散射校正(MSC)、标准正态变量变换(SNV)、导数算法等对原始光谱进行预处理，消除光谱数据的无关信息和噪声。利用连续投影算法(SPA)、无信息变量消除法(UVE)、间隔区间偏最小二乘法(iPLS)、主成分分析(PCA)等算法筛选特征波长。应用偏最小二乘回归、逐步多元线性回归、主成分回归等建立定量分析模型，以及支持向量机(SVM)、线性学习机(LMD)、k-近邻算法(KNN)等建立定性判别模型。最后借助相关系数(R)、决定系数(R2)以及均方根误差(RMSE)等对建立的模型进行评价，通常情况下，模型预测集的均方根误差越小，相关系数或决定系数越大，模型的性能越好[20]。

图3 光谱分析流程图

表1 近红外光谱及高光谱成像技术在油料产品理化成分检测中的应用

2 近红外光谱和高光谱成像技术在油料作物产品品质检测中的应用

2.1 油料作物理化成分的测定

水分、蛋白质以及脂肪(酸)等是油料产品的重要营养成分。近年来基于近红外光谱以及高光谱成像的含水率、含油量、蛋白质含量以及脂肪酸含量等理化成分的快速检测技术得到了快速发展，并且在花生、大豆、油菜籽、油茶、橄榄以及核桃等主要油料作物中得以广泛应用(表1)。

这些研究表明，近红外光谱及高光谱成像技术已广泛应用于油料作物常规理化成分的检测，并具有良好的预测效果。未来，智能化、小型化以及便携式光谱仪的研究和利用，将极大地有利于油料产业的发展。

2.2 油料作物品种识别与产地鉴定

油料作物的内部品质与其品种和产地直接相关。由于光照、土壤类型和温湿度的差异性，不同品种和产地的油料作物，其所含脂肪酸等营养元素的种类和数量也不尽相同。此外，随着市场竞争和贸易的发展，市场上一些非法添加、冒充名特优产品等不法现象时有发生，严重侵害了消费者的权益。因此为维护油料作物品质及标识信息的准确性，进行品种的识别和产地的鉴定显得尤为重要。

夷娜[34]采用833～2 500 nm波段的近红外光谱对新疆的和田、喀什和阿尔苏3个地区的核桃进行产地溯源研究，结果发现，基于全波段的偏最小二乘判别分析(PLS-DA)模型对新疆核桃产地溯源的判别效果最佳，和田、喀什、阿克苏地区预测集的判别准确率均达到95%以上。田琼等[35]采用570～1850 nm光谱范围内的近红外光谱仪对来自阿根廷、巴西、乌拉圭和美国等四个国家的进口大豆进行光谱数据的采集，首先通过MSC、SNV、Savitzky-Golay平滑滤波等方法进行光谱数据的预处理，然后采用主成分分析对光谱数据进行降维，最后分别基于SVM、KNN以及ANN建立大豆产地的鉴别模型。结果表明，采用ANN建模的效果最好，其总体测试集准确率高达95.65%。

除用于油料作物的产地鉴定之外，近红外光谱和高光谱成像技术还可以对不同品种的油料进行识别。董小玲等[36]在450～1 000 nm波段范围内对6种菜籽的可见-近红外光谱进行采集，通过主成分载荷曲线法提取出17个特征光谱变量，进而建立菜籽品种的线性判别分析(LDA)模型，其误判率仅为2.42%。郑田甜等[37]利用600～1 100 nm波段的可见-近红外反射光谱对花育20号、花育22号、花育32号等3种不同品种的花生进行光谱信息的采集，采用小波分析对原始光谱进行压缩、降噪和特征提取，通过PCA进行数据降维，以马氏距离作为判别函数建立LDA模型，其对3种花生的平均正确识别率达到95%。马文强等[38]采用傅里叶变换近红外光谱仪，在1 042～2 632 nm波段范围内对4个不同品种的核桃仁进行光谱信息采集，通过MSC和SNV方法对原始光谱进行预处理，并基于SVM建立了核桃仁分类识别模型，结果表明其对4个核桃仁品种的总体正确识别率高达96%。

除了近红外光谱，高光谱成像技术将传统成像技术与光谱技术进行有机结合，其图谱合一的特点能在油料作物检测时同时获得其表面特性以及内部品质信息，在油料作物品种识别方面亦具有广阔的应用前景。Zhu等[39]采用373～1 043 nm波段范围的高光谱成像系统采集了10个不同品种大豆的光谱图像，利用Savitzky-Golay平滑、一阶导数、标准正态变量、快速傅里叶变换(FTT)、希尔伯特变换(HT)和MSC等算法进行光谱数据的预处理，通过竞争自适应加权算法(CARS)、SPA和PCA筛选特征波长，进而分别基于贝叶斯分类器、SVM、KNN、集成学习(EL)和ANN建立大豆品种的识别模型，结果表明MSC-CARS-EL模型的识别准确率最高为100%。

此外，由于粮食需求的增加，转基因技术在作物种植中的应用快速增长，但基于转基因作物存在的安全隐患和争议等现实问题，许多国家对转基因食品进口有法律限制，必须进行标记，因此对转基因与非转基因产品的识别和检测具有重要意义[40]。王海龙等[41]采用874～1 734 nm波段范围的高光谱成像系统对3种不同非转基因亲本大豆及其他转基因大豆共10个品种的光谱图像进行采集，通过移动平均法(MA)进行光谱预处理，并基于PLS-DA算法，建立3种非转基因亲本大豆的判别模型，其相应预测集的判别准确率分别为100%、96.25%和92.5%，结果表明高光谱成像技术可以有效地对非转基因大豆进行识别。

研究表明，在油料作物品种的识别和产地鉴定方面，近红外光谱技术能够在一定程度上提供解决方案，而高光谱成像技术则可以提供更多的形态学数据，实现对产品进行形态学分析，在一定程度上提高品种识别和产地鉴定的准确度。

2.3 食用油真实性鉴别

食用植物油作为油料作物的主要产品，是日常膳食中不可或缺的必需品之一，既可以作为烹调菜品的热媒介质，而且还富含油酸、亚麻酸等有益于人体健康的不饱和脂肪酸[42]。由于来源植物的不同，食用植物油所含脂肪酸的数量、种类等也多种多样，因此其营养价值也存在较大差异，最直接的体现就是市场价格的差异性。不少不法厂商为了获取更大的经济效益，对食用植物油进行掺假或者以次充好，更有甚者在食用油中掺入地沟油等不可食用的油类，严重影响着人体健康。典型的食用油掺假行为是在高价食用油中掺入低价油，如山茶油、橄榄油中掺入菜籽油、大豆油等。还有以劣质低等油(如混合橄榄油、橄榄果渣油)冒充优质油品(特级初榨橄榄油)，以次充好[43]。因此，进行食用油的掺伪检测研究对食品安全有着重要意义。而由于近红外光谱的定性识别特性，其可以对食用油中的掺杂、掺伪等行为进行鉴别。表2综述了近红外光谱技术在食用油真实性鉴别中的应用。

相较于近红外光谱，高光谱成像技术由于包含了图像信息和光谱信息，数据量大、信息冗余增加，因此在食用油的掺伪检测方面的应用相对较少。Simona等[51]利用高光谱成像系统采集了97个橄榄油样品在340～890 nm波段的高光谱图像，借助ANN算法建立了特级初榨橄榄油的鉴别模型，其分类准确率达到97%。Zou等[52]为了鉴别红花籽油中不同的掺假植物油，在387～1 035 nm的波段范围内获取了4种红花籽油样品的高光谱图像，采用L2归一化(L2NN)、对数转换归一化(LTN)、中值滤波(MF)、矩形窗平滑BS)以及min-max标准化(MMS)等算法对光谱数据进行预处理，并结合CatBoost、梯度提升决策树(GBDT)、随机森林(RF)以及光梯度提升机(LightGBM)等算法模型对不同类型的油样进行预测，结果表明，MF-GBDT模型对4种油样的识别率均达到100%。

表2 近红外光谱技术在食用油真实性鉴别中的应用

食用油的真实性对人类健康有着极其重要的影响，而当前食用油市场各种掺伪现象层出不穷，掺伪方式多种多样，使得油脂的掺伪检测成为食品安全监控领域的一项难题，因此亟需开发简单、快速、准确的食用油掺伪检测技术。而近红外光谱具有较强的物质穿透能力，对于各种物理状态的样品可不经过任何处理直接进行检测，具有高效、无损、绿色环保等特点。研究表明，近红外光谱及高光谱成像技术可以有效地应用于多元植物油掺伪鉴定的定性、定量分析。

3 总结与展望

尽管在油料作物及产品品质检测过程中，与强大的化学计量学相互结合的近红外光谱与高光谱成像技术在油料作物理化成分测定、品种识别和产地鉴定以及食用油真实性鉴别等方面表现良好，具有巨大的应用潜力，但在其实际应用时仍然有一些障碍需要克服。第一，建模方式和特征波长的选择仍然需要进行大量研究，从而最大限度地保留有效的光谱波长。第二，基于特定样本所建立的校正模型缺乏通用性和稳定性，对于模型转移还有待进一步研究。第三，高光谱成像技术受制于高昂的设备成本以及缓慢的图像处理速度，难以实现商业化的应用。

近红外光谱及高光谱成像技术在油料作物及产品品质检测的后续发展可以从几个方面入手：

开发更多提取特征波长的算法，并基于选定的特征波长建立多光谱成像系统，得益于多光谱成像系统较低的设备成本和较高的处理速度，有望在工业领域得以广泛应用。

改进高光谱图像的处理算法，进一步提高其计算和分析图像的能力，使得该技术能快速、准确地确定油料产品中的理化成分。

开发建立用于油料作物及产品品质分析的商业化、通用型的光谱模型数据库，并对其进行定期的维护和升级，从而避免针对同一应用点的模型进行重复开发，提高其利用率和稳健性。

利用迁移学习、强化学习等算法，开发具有高稳定性和精确度的模型更新与传递技术，增强模型的通用性。

应着重发展小型化和便携化的近红外光谱设备。未来，随着5G通信、云平台以及深度学习等技术的发展，基于物联网和大数据建立光谱数据的云端处理系统，开发出基于智能手机的便携式近红外设备将极大地便利用户对市场、超市中的油料作物及产品进行实时检测。