近红外光谱技术在食用菌品质检测方面的应用研究进展

王玉玲，王婧茹，刘 红，秦令祥，高愿军，周海旭，李 波,，何鸿举,

（1.河南科技学院农学院，河南新乡 453003；2.河南科技学院食品学院，河南新乡 453003；3.海南师范大学化学与化工学院/海口市热带特色药食同源植物研究与开发重点实验室，海南海口 571158；4.漯河食品职业学院，河南漯河 462333）

食用菌是一类风味独特且富含蛋白质、氨基酸、多糖、矿质元素及维生素等多种营养成分的大型可食用真菌，是目前国际上公认的理想蛋白质和组织营养来源[1]。食用菌还兼具药用价值，其含有的生理活性物质如多糖具有调节机体免疫、预防心血管疾病、抗炎防癌等保健功效[2-4]，已成为日常生活中常备食材之一。我国是食用菌生产和消费大国，2020 年全国食用菌总产量高达4061.43 万吨[5]，食用菌产业已成为大健康产业的重要组成部分。随着健康消费理念普及和消费需求增长，高品质的食用菌及其制品受到当今消费者的普遍青睐。品质检测是食用菌产业化生产和产品质量控制的必备环节。近红外光谱（near-infrared spectroscopy，NIRS）技术作为一种快捷、高效、绿色无污染的无损检测手段，被大量用于食品品质的快速检测研究[6-8]。

红外光谱是介于可见光区和微波区之间的电磁波谱，其光谱的产生是由于分子振动的非谐振性，使分子从基态向高能级跃迁。NIRS 技术能够进行定性和定量分析的实质是利用原子间的相对振动和分子转动等信息以确定分子结构。用于食品质量检测主要是基于食品组分中化学基团（主要指C-H、NH、O-H 等含氢基团）在近红外波段（780～2526 nm）的倍频和合频吸收[9]，通过化学计量学算法挖掘光谱吸收信息，构建高稳定性、高精度的数学模型（线性模型和非线性模型）实现对未知样品的快速预测。食品样品在近红外波段的吸收谱峰重叠严重，且易受背景、噪声和外界环境等因素干扰，需借助化学计量学方法挖掘光谱信息与研究目标之间的内在联系[10]。化学计量学算法旨在通过寻找特征光谱信息与品质指标之间的相关性，发现内在规律并实现较合理准确的未知预测（定性和定量），在NIRS 技术用于食品研究中发挥着重要作用[11]。构建的预测或识别模型需通过相关系数（R）或决定系数（R2）、均方根误差（root mean square error，RMSE）以及剩余预测偏差（residual predictive deviation，RPD）等参数进行评价。一般而言，R或R2越接近1，RMSE 越接近于0，模型预测性能越好[12]。

NIRS 技术主要具有如下特点：a.无损快速：可直接利用近红外光的强穿透性对样品进行光谱采集，再将测量光谱代入建立好的校正模型，可完成对物质快速分析检测。b.绿色环保：光谱技术无需使用化学试剂对样品进行处理，降低各种生物、化学污染。c.重现性好：NIRS 是一种二次分析检测技术，通过建立稳定的预测模型，由该模型对相关指标进行快速检测，所得结果具有较高的重现性。NIRS 技术结合化学计量学算法已被用于研究食品种类及产地鉴别[13]、掺假[14]、质量评估[15]、等级分级[16]等，研究结果显示NIRS 技术在部分指标检测应用方面具有较高可行性和适用性，应用潜力巨大。本文全面归纳综述了近5 年来NIRS 技术在食用菌品质检测方面的应用研究进展，主要包括理化组分（如水分、糖、硬度、固形物含量等）、活性成分（如多糖、三萜类、甾醇类等）、品种识别、产地鉴别和其他方面（图1），为进一步完善NIRS 技术在食用菌质控中的应用提供方法参考。

图1 NIRS 技术在食用菌品质检测方面的应用研究Fig.1 Application of NIRS technology in quality detection of edible fungi

1 NIRS 技术用于检测食用菌理化组分

食用菌的化学组成主要包括水分、蛋白质、脂肪、碳水化合物、矿物质和维生素等。这些理化组分会影响食用菌的生产加工及食用品质，如水分含量直接影响食用菌的嫩度、鲜度和口感。食用菌理化组分的检测目前使用国标法较多[17-18]，NIRS 技术被用于食用菌检测研究已有报道，结果各不相同。如Giovenzana 等[19]分别采集双孢菇菌帽和菌柄的400～1000 nm 光谱信息，构建偏最小二乘（partial least squares，PLS）模型预测不同部位的硬度、可溶性固形物和水分等理化品质，结果显示在菌帽中，硬度的预测效果良好，而其他两个指标不是很理想（R2P：硬度＞水分＞可溶性固形物）；在菌柄中，水分的预测效果明显好于其他两个指标（R2P：水分＞可溶性固形物＞硬度），这可能由于菌帽和菌柄的不同理化组分对模型精度产生了影响。相比之下，Shinoda 等[20]通过获取1450 nm 处的光谱信息构建PLS 模型预测香菇中水分含量效果更好，具体如表1 所示。

表1 NIRS 技术用于检测食用菌理化组分Table 1 Application of NIRS technology for detection of physicochemical index in edible fungi

食用菌富含蛋白质，营养价值高，是高品质蛋白质的理想来源。马建等[21]利用NIRS 技术对278 株蛹虫草样品的成分进行快速定量分析，经对比发现，采用原始光谱预测蛹虫草蛋白质含量效果最好。碳水化合物也是食用菌重要成分之一，是组成食用菌所占比重最高的大分子物质。为推动黑木耳精深加工和技术提升，杨根等[22]尝试基于1000～2500 nm 波长信息研发一种快速检测黑木耳总糖的NIRS 方法，结果显示构建的PLS 预测模型R2超过0.90，效果良好。卢洁等[23]使用相同的光谱波段构建PLS 模型预测香菇总糖含量，模型R2C最高达0.94004，模型验证结果显示，样品预测值和实测值具有良好的线性关系，该试验建立的NIRS 分析模型可用于预测香菇样品的总糖含量。对比近5 年研究结果发现，NIRS技术在预测食用菌总糖和蛋白质含量方面效果更好，但是总体上对于食用菌理化组分的NIRS 检测研究较少。

2 NIRS 技术用于检测食用菌活性成分

食用菌含有多糖、萜类、黄酮类等多种生理活性成分，具有提升机体免疫力、阻止和防御疾病等功效。活性成分的快速检测对食用菌的药理开发及应用具有重要意义。食用菌多糖是食用菌细胞体内的一类大分子物质，具有良好的降血糖功效[24]。张龙等[25]研究了NIRS 快速检测杏鲍菇多糖含量的可行性，结合三种算法构建多糖的定量校正模型，结果显示径向基神经网络模型预测效果最好（R2P=0.89，RMSEP=7.73 mg/g），但仍有提升空间，这为快速检测杏鲍菇多糖含量提供了初步依据。黑木耳是一种胶质食用菌，其多糖占比最大、含量最高[26]。孙丽萍等[27]以NIRS 对样本进行光谱采集（900～1700 nm），运用支持向量机（support vector machines，SVM）算法进行建模仿真，对黑木耳多糖品质进行分类研究，测得模型识别精确率为85.7%，具有较好的预测性，但该研究采集样本总量略有不足。灵芝是一种药用真菌，其多糖是主要活性成分之一，可通过调节免疫系统增强宿主抗病降糖降脂能力[28]。赖长江生等[29]采用NIRS（1000～2500 nm）结合化学计量学算法构建灵芝多糖含量（质量分数为1.93%～3.99%）快速预测模型，通过标准正太变量校正（standard normal variate，SNV）光谱预处理所建立的PLS 模型预测结果最佳，具备应用推广潜力。马玉涵等[30]研究发现灵芝多糖NIRS 的特征吸收位点在2321.80、2270.15 nm，结合多糖化学测量结果，构建基于NIRS 的灵芝菌丝体多糖定量分析模型，校正模型和预测模型表现非常好（R2均＞0.95）。利用校正模型继续预测诱变灵芝菌丝体多糖含量，效果依然良好。因灵芝多糖大多存在于水提物中，为了更加准确全面评估灵芝多糖含量，张倩倩等[31]采用NIRS 对灵芝子实体水提物进行定性和定量分析，结果显示基于水提物优选波段1830.93～2361.22 nm 构建的 NIRS 模型定量检测灵芝多糖效果良好，可以帮助解决灵芝子实体多糖定量不准的问题。

灵芝三萜是另一类重要的药用活性成分，具有广泛的抗癌特性[32]。研究发现灵芝三萜在近红外谱区内的1689.19、1730.10、2265、2304.15 及2350.73 nm处有特征吸收峰，马玉涵等[30]通过选取两个波段1676.98～1766.07、2266.26～2298.40 nm 的光谱信息构建PLS 模型预测灵芝菌丝体中的灵芝三萜含量，经过一阶导数预处理光谱，模型预测效果更好。张倩倩等[33]通过采集灵芝子实体及其提取纯化物的NIRS（833.33～2500 nm），分析得出了灵芝三萜NIRS和中红外光谱（mid-infrared spectroscopy，MIRS）之间存在较强的相关性，并提出基于灵芝子实体提取物，可建立灵芝子实体三萜的NIRS 定量分析模型。

蛹虫草含有腺苷、多糖、虫草酸等多种活性成分，在降血脂、抗菌、抗癌、抗衰老等方面功效显著[34-35]。快速定量分析蛹虫草有效成分可避免大量损耗，对开发蛹虫草的药用价值具有重要意义。马健等[21]通过获得化学诱变蛹虫草的NIRS，并经过不同的光谱预处理，分别构建了蛹虫草腺苷、虫草酸、多糖等的PLS 定量分析模型，结果显示使用原始光谱（900～1700 nm）和预处理光谱在预测这三种活性成分方面效果差异不显著，建议直接使用原始光谱分析效率更高。除了定量预测，NIRS 技术还被引入蛹虫草加工过程分析，用以提高生产效率，如史畑女等[36]对发酵虫草菌粉生产全过程中的总核苷、总多糖及甾醇类含量进行了NIRS 定量检测研究，针对不同成分选择不同的波段信息构建PLS 定量分析模型，通过模型参数（RC和RMSEC、RP和RMSEP）及模型验证（准确度、重复性、精密度、稳定性）得出结论，NIRS 技术结合PLS 算法用于对发酵虫草菌粉生产过程中核苷类成分、总多糖含量、甾醇类成分的定量检测效果良好（详见表2），模型应用具有可行性，可提高生产过程可控性和高效性。

表2 NIRS 技术用于检测食用菌活性成分Table 2 Application of NIRS technology for detection of active ingredients in edible fungi

3 NIRS 技术用于检测食用菌品种鉴别及分类

食用菌品种繁多，其野生和人工栽培的功效差异较大，目前常用于食用菌品种鉴别及分类的方法主要有感官识别、色谱和质谱联用等[37-38]。感官识别人为主观因素影响较大，色谱和质谱联用前处理复杂、耗时耗力，无法实现快速检测。NIRS 技术作为一种快捷有效的检测手段，在食用菌品种鉴别分类方面的应用研究具有重要现实意义。杨吉等[39]利用NIRS 法结合主成分分析（PCA）及聚类分析对9 种540 个灵芝样品快速识别研究，分类归属正确识别率达100%，为灵芝药用功效评价提供了一种有效方法。王乾龙等[40]研究基于800～2500 nm 波段信息构建快速鉴别冬虫夏草品级的可行性，通过采集西藏和青海两地的冬虫夏草的NIRS 数据，经二阶导数预处理后进行主成分分析，构建的模型鉴别冬虫夏草品级准确率可达100%。李鱼强等[41]在900～1700 nm波长范围下，选取4 种不同的食用菌构建反向传播神经网络模型和K 最邻近算法模型，结果显示构建的两种模型对松茸真假辨别准确率可达100%和78.26%，对食用菌分类正确率可达89.1%和80.43%，模型精度和稳定性均高于PCA 法（详见表3）。

表3 NIRS 技术用于检测食用菌品种鉴别及分类分级Table 3 Application of NIRS technology for identification and classification of edible fungi

除了上述几种食用菌，近几年牛肝菌品种鉴别也被研究报道。Chen 等[42]试图开发一种基于傅里叶变换NIRS 的牛肝菌品种快速鉴别方法，通过预处理5 种不同品种牛肝菌的1000～2500 nm 光谱信息，构建偏最小二乘法判别分析（partial least squares discriminant analysis，PLS-DA）和构建残差卷积神经网络（ResNet）两种识别模型。结果显示这两种模型均能100%识别牛肝菌试样品种，但是ResNet 模型更容易操作，效率更高，NIRS 结合ResNet 更具有应用潜质。与Chen 等[42]同一课题组Yan 等[43]基于相同的光谱信息，继续对比了PLS-DA、SVM 和ResNet 三种模型在5 种常食用牛肝菌品种方面的识别能力，结果依然是ResNet 表现最佳，识别准确率依然为100%。傅里叶NIRS 结合二维相关光谱（twodimensional correlation spectroscopy，2D-COS）算法，以总多酚含量为鉴别参数构建ResNet 模型识别云南野生牛肝菌试样品种，正确识别率也可达100%[44]。

4 NIRS 技术用于检测食用菌产地鉴别

我国食用菌种植范围广，不同产地间的食用菌品质差异很大，市场上售价也因此存在差别，有些不法商家为了追逐更高经济利益，混淆食用菌产地。为促进食用菌市场稳健发展，迫切需要建立一种准确、快速、高效的食用菌产地鉴别技术。NIRS 技术以便捷无损等优点在替代常规技术手段方面具有很大潜力。夏珍珍等[45]采集3 个不同产地干香菇样品的NIRS（1000～2500 nm）结合不同的光谱预处理方法和波长选择方法，建立了香菇产地鉴别模型，结果表明基于小波变换（continuous wavelet transform，CWT）预处理和随机测试（randomization test，RT）筛选特征波长构建的PLS-DA 模型鉴别正确率更高（96.97%），但该模型仅覆盖3 个香菇主产地，模型适用性有限，后续研究应扩大样品覆盖范围。在相同的波长范围内，Fu 等[46]对来自15 个产地的灵芝样品进行了NIRS 分类鉴别研究，采用一对一最小二乘支持向量机模型与SNV 预处理相结合使得产地鉴别正确率达93.17%。依然使用1000～2500 nm 波段信息，赖长江生等[29]则选择利用随机森林（random forest，RF）算法对来自4 个产地的灵芝进行判别分析研究，训练集预测准确率达到96.87%，独立测试集判别准确率达到93.33%，与Fu 等[46]的研究结果相似。这说明基于1000～2500 nm 谱区的NIRS 技术结合化学计量学能够较准确鉴别灵芝产地。

对于牛肝菌产地鉴别，云南农业大学一课题组使用同一波段光谱信息（1000～2500 nm）进行了多项研究，胡翼然等[47-48]先后对绒柄牛肝菌产地（云南4 个气候带）和美味牛肝菌产地（云南8 个产地）进行了NIRS 鉴别分析。对于绒柄牛肝菌而言，基于特征变量的高级数据融合策略结合RF 产地鉴别正确率更高，为99.6%；对于美味牛肝菌而言，基于特征变量的中级数据融合策略结合PLS-DA 产地鉴别正确率更高，为100%。陈凤霞等[49]对美味牛肝菌也做了产地鉴别研究（云南6 个产地），采用NIRS 和紫外光谱中级数据融合后鉴别正确率有所提升，训练集正确率为100%，预测集正确率为92.31%，分类效果明显。Chen 等[50]筛选使用最优波段光谱信息（1428.57～2500 nm）构建ResNet 模型鉴别亚洲兰茂牛肝菌产地，训练集和预测集正确率均为100%，外部验证集正确率为97.92%。总之，近年来的食用菌产地鉴别研究均基于1000～2500 nm 波段信息，尽管构建识别模型的方法不同，但总体的鉴别正确率很高，这些研究结果可为进一步开发食用菌产地溯源技术提供方法借鉴（表4）。

表4 NIRS 技术用于检测食用菌产地鉴别Table 4 Application of NIRS technology for origin identification of edible fungi

5 NIRS 技术用于检测食用菌病原菌污染和掺假识别

除了以上四个方面的研究，NIRS 技术还用于检测食用菌的病原菌污染、掺假等方面。刘晨等[51]基于傅里叶NIRS 技术建立了木耳受镰刀菌（5 种常见菌）侵染程度的定性与定量分析方法，线性判别分析（LDA）模型定性分析总体正确率在80%以上，单一镰刀菌侵染木耳样品中，串珠镰刀菌的PLS 定量预测效果最好（R2P=0.902，RMSEP=0.187 lg CFU/g），5 种镰刀菌混合侵染木耳样品的PLS 定量预测性能有所降低，详见表5。Shi 等[52]探讨了NIRS 技术结合化学计量学方法快速检测灵芝孢子粉掺假（掺入干淀粉）的可行性，建立回归模型计算灵芝孢子粉中淀粉的掺假量，结果显示基于SNV 预处理构建的PLS模型预测性能略好于ANN 模型。Yang 等[53]利用NIRS 技术识别杏鲍菇菌丝体的6 个生长阶段，竞争性自适应加权算法（CARS）筛选最优波长构建的BPNN 模型识别准确率可达99.67%。这些研究结果均说明NIRS 技术在食用菌检测方面具有很大的潜力，可为进一步拓展NIRS 技术应用提供数据支撑。

表5 NIRS 技术用于检测食用菌病原菌污染和掺假识别Table 5 Application of NIRS technology for detection of contamination and adulterants in edible fungi

6 结论与展望

纵观NIRS 技术在食用菌检测方面的成果可以看出，NIRS 技术在食用菌生物活性成分检测和产地鉴别方面研究较多，这也间接反映了消费者更加注重健康饮食的理念。从各项研究结果看出，NIRS 技术具备在食用菌品质检测方面的应用可行性，但仍存在以下问题有待进一步研究：a.由于食用菌成分复杂，其近红外光谱的数据有效信息较为分散，干扰信号较多，模型的准确度和稳定性有待提高。b.在定量分析中，多数研究的样品为干样或粉质产品，适用范围具有局限性，可进一步研究生鲜食用菌产品。c.目前食用菌的近红外快速检测研究，基本处于可行性探索，系统性研究较少。未来将试验模型应用在实际检测工作中，仍需多方面的探索。未来的研究可以选用大量且有代表性的样品，并扩充样品集的种类和数量，对建模的分析软件加以优化等方法来提高模型的准确度和稳定性。

目前市面上已有成熟稳定的NIRS 检测设备，可实现对部分食品的快速检测，但大多为进口设备，自主研发设备甚少，尤其针对食用菌品质检测的设备几乎没有。当前市场对快检设备需求依旧旺盛，针对某种或某类食品的专业化NIRS 检测设备依然短缺，如目前还未发现可以用于食用菌品质快检的专用NIRS 设备。未来深化NIRS 技术快速检测食用菌研究应从以下几个方面重点考虑：a.我国食用菌品种繁多，因产地不同导致理化组分差异大，可根据不同检测指标采集代表性样品，构建可实现地方标准或企业标准的快速检测模型。b.智能化时代背景下，应融合最新的硬件和软件技术，开发新的最佳波长筛选算法，构建更加稳健可靠的食用菌检测模型。c.近红外数据融合化学计量学算法后的模型稳定转化、模型集成、小型便捷专用化食用菌检测设备研发及生产应用依然是未来发展趋势。