多光谱技术在食品无损检测中的应用进展

杨红欣，唐兴萍，杨正明，张 菊，陆娅娟，吴文斗,,*

（1.云南农业大学食品科学技术学院，云南昆明 650201；2.云南农业大学大数据学院，云南昆明 650201）

食品质量与安全是人们共同关注的热点，在食品销售链中如何保证食品及其原料的质量安全还面临诸多的问题和挑战，如食品损坏、食品营养物质的流失、食品污染和食品掺假等[1]。因此对食品进行快速、客观的检测、分类和分级，确保产品质量的优越性和一致性的同时，还需在激烈的市场竞争下保持和提高盈利能力[2]，这是当前食品面临和急需解决的难题。

传统食品检测（高效液相色谱、气相色谱、离子色谱等）方法，存在着昂贵、低效、复杂样品制备和操作等问题[3]。因此，食品检测技术逐渐转向了无损检测领域，无损检测是指在不破坏检测样品的情况下，采用一定的检测技术和分析方法对样品的内部和外部品质进行测定，并按相关的标准对其作出评价的过程[4]。目前应用于食品的无损检测技术主要有电子鼻、机器视觉、高光谱、近红外光谱、拉曼光谱、荧光光谱等，其各自优缺点如表1 所示。

表1 食品中常用的无损检测技术及优缺点Table 1 Non-destructive testing techniques commonly used in food and their advantages and disadvantages

近年来以人机为载体的多光谱成像技术广泛应用于农业领域农作物生长状态监测[5]、病虫害防治[6]和农作物产量估测[7]等。多光谱成像（Multispectral Imaging，MSI）是一种新型的、快速发展的分析检测技术，它将成像和光谱技术融合在一起，该技术具有无损、快速、无需样品预处理等优点[8]。多光谱成像处理的是离散光谱范围内的窄带图像，可以捕获不连续光谱范围内的图像数据，生成目标物体中每个像素的特征波长，因此适用于食品质量分析和可视化的呈现[9]。论文介绍了多光谱成像技术，并对该技术在水果、蔬菜、肉类及肉制品和水产品的检测中的应用进行了综述，对多光谱技术在未来食品无损检测中的发展进行总结展望。

1 多光谱技术介绍

1.1 多光谱系统组成及原理

多光谱成像可提供和采集从紫外到近红外波长范围（200～2500 nm）内多个离散波段的数据，并在此基础上新增光谱信息维度，组成了包括二维空间信息和一维光谱信息等多种信息的“三维信息立方体”。多光谱成像系统设备结构和组成简单易操作，主要由CCD 相机、发光二极管（LED）和一个内层涂有哑光油漆的积分球三个主要部件组成。多光谱成像是一种多通道成像技术，即采用两个或两个以上波段，对样本进行三维信息的瞬时采集[19]。多光谱成像原理是在光谱仪的内部，光线从激发光源发出，经过测试样本的吸收和反射，反射光通过一定波段范围的滤光镜后进入成像系统，形成样本的多光谱信息，最后利用合适的化学计量学方法对其进行处理和分析[20]。

1.2 多光谱数据分析

1.2.1 MSI 光谱的预处理方法 在光谱数据采集时，多光谱系统所采集的数据中不仅包括被测样品的光谱信息，还包含了散光、背景信息以及噪声的干扰，进而使建模效果不佳。因此在建模前需要对原始光谱数据进行预处理，以提高信噪比，减小无效和噪声信息对实验结果造成的误差，挖掘更多有价值的信息。目前应用较多的光谱预处理方法有：主成分分析（Principle Component Analysis，PCA）[21]是降低高光谱维数、增强感兴趣信息、去除噪声提供的一种有效的手段；平滑法（Savitzky-Golay，S-G）[22]可以提高光谱的平滑性，降低噪音的干扰。其原理是将光谱分为数个窗口，在每个窗口内使用最小二乘法进行多项式拟合；多元散射校正法（Multiplicative Scattering Correction，MSC）[23]将所有光谱样品的平均光谱作为标准光谱，对每个样品的光谱进行线性回归，得到平移量和偏移量，最后消除基线平移和偏移，得到校正后的光谱；标准归一化变量（Standard Normallized Variate，SNV）[24]主要用于消除待测物固体颗粒大小、表面散射以及光程变化对光谱的影响等。

1.2.2 MSI 光谱的特征波长选择方法 特征提取在一定程度上降低了数据运算量、提高了检测效率。常见的提取多光谱特征波长的方法有：遗传算法（Genetic Algorithm，GA）[25]是一种基于“适者生存”的生物进化机制获得全局最优解的搜索算法；连续投影算法（Successive Projections Algorithm，SPA）[26]是一种使矢量空间共线性最小化的前向变量选择算法，它的优势在于提取全波段的几个特征波长，能够消除原始光谱矩阵中冗余的信息；无信息变量消除（Uninformation Variable Elimination，UVE）[27]是基于偏最小二乘模型回归系数建立的一种特征波长的选取方法，其主要作用是剔除对模型没有贡献的波长点从而降低数据的维度；竞争性自适应重加权算法（Competitive Adaptive Reweighted Sampling，CARS）[28]是以达尔文进化论的“适者生存”为指导理论，采用蒙特卡洛采样以及偏最小二乘回归法的特征波长优选方法。

1.2.3 MSI 光谱分析模型的建立方法 从多光谱图像中提取的光谱和纹理信息，可以反映样品的物质组成、结构和性质等。结合化学计量学建立模型的目的是建立化学值与光谱和图像数据对应的联系，了解光谱、纹理变量与测试样品之间的定性或定量关系，模型的可靠性和准确性对于定量分析或定性判别具有重要意义。常用的建模方法有：支持向量机（Support Vector Machine，SVM）[29]是基于统计学习的一种分类方法，要实现SVM 分类目的主要是通过寻找各类样本间的分类超平面；反向传播神经网络[30]（Back Propagation Neural Network，BPNN）是一类能够比线性技术更精确地解决复杂问题的非线性神经网络。BPNN 采用基于梯度下降法的离线训练算法来更新网络权值，以确保所设计的神经网络收敛到期望的控制器输出；偏最小二乘法（Partial Least Squares，PLS）[31]是一种线性模型，在光谱建模分析中的应用较多，该建模方法将光谱变量转变为维度更小的建模因子，同时生成建模回归曲线，通过分析回归曲线，可以提取有效波长，以方便后续建模分析；偏最小二乘判别分析（Partial Least Squares Discriminant Analysis，PLS-DA）[32]是一种基于 PLSR 用于解决多分类问题的线性监督分类算法；多元线性回归（Multiple Linear Regression，MLR）[33]选择多个特征峰数据作为自变量，对于含有多个特征峰的待测物定量分析有明显优势，但多元线性回归要求各自变量间相互独立，在实际应用中往往无法满足这一要求，因此具有一定局限性。

1.2.4 MSI 光谱分析模型的评估 采用确定系数（R2）[34]、均方根误差（Root Mean Squared Error，RMSE）[35]、预测均方根误差（Root Mean Square Error of Prediction，RMSEP）[36]、校正集均方根误差（Root Mean Squared Error of Calibration，RMSEC）[37]、剩余预测偏差（Residual Prediction Deviation，RPD）[38]等来验证所建立的校准模型的准确性。RPD 值越高，该模型准确预测样本化学成分的概率就越大。RPD 值在2.4 到3.0 之间被认为是差的，模型只能用于非常粗略的筛选，而RPD 值大于3.0 表示模型性能较优越，可以用于实际检测和质量控制。一般来说，模型具有较高的RPD 值，较低的RMSEC 和RMSEP 值时，表明所建模型的预测能力及适应性越强[39]。定性模型则以模型预测的正确判别率作为评判标准，即判别正确的样本个数占样本总数的百分比，正确率越高，模型性能越好、精度越高。

2 多光谱成像技术在食品无损检测中的应用

多光谱成像技术在食品无损检测领域有着广泛的应用，使用多光谱成像技术可以准确有效地对食品进行定性定量分析，从而进一步达到食品品质评估、质量分级或掺假鉴别的目的。

2.1 多光谱成像技术在水果品质无损检测中的应用

传统水果检测方法需对果实进行破坏、操作复杂、效率低，难以实现大批量检测[40]。为了解决该难题，科研工作者将目光投向了无损检测技术，目前已有声学振动[41]、电子鼻[42]、数字图像[43]等方法对果实进行检测，但这些方法获取的数据有限，对果实内部质量实时在线分级存在一定难度。而多光谱成像技术可以根据采集到的光谱和图像信息对水果进行快速检测，从而实现水果在线分拣，满足水果产业需求。

水果品质不仅取决于外形、大小和色泽，还与成熟度、含糖量、果实硬度、含水量以及内部缺陷有关[44]。Tang 等[45]在350～1200 nm 范围内使用多光谱成像系统采集富士苹果数据，而后采用MLR 模型预测糖含量，获得R=0.8861，RMSE=0.8738 的结果，表明多光谱成像系统可以用于苹果的含糖量检测。Vetrekar 等[46]使用多光谱成像方法区分自然和人工催熟香蕉，分类准确率达到88.82%±1.65%。杨甜军等[47]基于虚拟仪器LabVIEW 和多光谱成像技术设计了一套苹果品质检测的多光谱成像装置，能够对苹果大小、形状、损伤以及糖度等指标进行检测，具有无损和快速的特点。

水果病害是水果安全品质研究的核心问题之一，尽早发现病害便能最大程度上降低影响、减少经济损失。Hashim 等[48]用多光谱成像系统检测芒果冷害，从实验可以得出最小二乘支持向量机（Least Squares Support Vector Machine，LSSVM）模型预测精度为83.3%。Ghanei 等[49]将多光谱成像系统用于柑橘青霉病的检测与分类，在接种真菌后第4 d 和第5 d 腐烂，腐烂和健康区域的分类准确率分别为98.6%和100%。董建伟等[50]提出一种基于多光谱图像的库尔勒香梨表面缺陷检测方法。对带有疤痕、病斑和腐烂缺陷的果实识别准确率可达92%以上，具有较高准确性，实验结果验证了该技术可用于库尔勒香梨的实时检测。

多光谱成像技术除了应用在整个水果的检测，还在即食水果中发挥其优势。Manthou 等[51]利用多光谱成像技术对即食菠萝的颜色、气味、纹理三个方面进行质量评估，从实验中可以看出多光谱技术对于即食菠萝评估的准确度可以达到85%。多光谱成像技术也用于水果干制品的品质检测和评估。Jdicke等[52]用芒果片在40～80 ℃的空气温度和5%～30%的相对空气湿度下干燥，其中使用PLS 进行建模和预测时，实现了RSMEP 为0.05 和R2p 为0.96 的水分含量预测。PCA/PCR 预测复水后总可溶性固形物（TSS）的R2p 最高为0.96，PLS 预测复水化产物TSS 的R2p 为0.93。多光谱成像技术在水果内部质量检测中研究较少，为研究者提供了以后研究的方向和目标，未来可以将多光谱技术更多地应用于水果的糖度、硬度、颜色、成熟度和农药残留等检测中。

2.2 多光谱成像技术在蔬菜中的应用

目前多光谱技术在蔬菜中的应用主要在简单的分类、分级及损伤检测。Sendin 等[53]使用PLSDA 模型，在区分完好玉米和不良材料方面表现良好，交叉验证的决定系数（Q2）为0.35 至0.99 以及分类准确度为83%至100%。Zhang 等[54]探讨基于单镜头方法的新型多光谱成像系统在马铃薯缺陷检测和分类。利用LSSVM 模型建立了马铃薯缺陷分类模型且测试集的分类准确率达到90.70%。

玉米通常会受到玉米赤霉烯酮（Zearalenone，ZEN）的污染，对人体造成严重危害。Liu 等[55]采用多光谱成像技术结合不同机器学习方法对玉米中ZEN 含量进行检测。利用GA 结合BPNN 可以筛选出不同程度ZEN 含量的玉米，GA 结合BPNN 方法对ZEN 污染水平的检测准确率为93.33%。因此多光谱成像与机器学习相结合适用于玉米中ZEN含量的快速测定。

影响蔬菜干制品品质的指标之一就是水分，水分过多不易长时间储藏并且会引起微生物污染，所以对于蔬菜干制品水分的控制至关重要。Younas等[56]通过多光谱成像技术结合化学计量学方法来测量热风干燥蘑菇中的水分状况。使用PLS、BPNN和LSSVM 模型建立定量模型。其中，BPNN 模型的预测效果较好，决定系数R2c=0.9829，R2p=0.9639。验证了多光谱成像预测水状况的潜力评估，为食品加工提供了合适的检测平台。Yu 等[57]使用多光谱成像系统快速检测胡萝卜干切片的水分和收缩率，在运用的模型当中LSSVM 模型获得了最佳结果，预测的决定系数（Rp）=0.942，RMSEP=0.0808%，RPD=2.636，Rp=0.953、RMSEP=0.0902%和RPD=3.271。该模型对于水分的准确测定，使生产者可以及时调整干燥装置的工艺参数，从而保证最终产品的质量。

2.3 多光谱成像技术在肉类及肉制品品质无损检测中的应用

目前，肉及肉制品的检测方法有感官评价、酶联免疫吸附试验、分子生物学方法、电子鼻技术等，但存在检出率低、耗时长、对样品破坏和操作复杂等缺点[58]。多光谱作为一种快速、无创伤的分析技术，可以应用于肉类及肉制品的质量和安全评估，包括腐败检测、掺假鉴定、营养评估、微生物分析、颜色和嫩度测定等[59]。

掺假通常是将便宜或质量较差的材料添加到价值高或质量好的材料中的手段，而这两种材料具有非常相似的化学特征[60]。Ropodi 等[61]利用多光谱成像与数据分析方法相结合，检测牛肉中掺入的碎马肉。检测掺假样品的分类模型性能受储存过程中肉色变化的影响，但使用SVM 模型可以将所有纯样品和新鲜的样品正确分类，正确分类准确值达95.31%。

其次，多光谱成像技术可用于对肉类营养价值的评估和分类，其中金涛等[62]研究多光谱成像技术测定牛肉干中水分含量，发现BPNN 模型对牛肉干水分含量检测效果最佳，其R2为0.941、RMSEP 为3.602%和RPD 为4.142。Tsakanikas 等[63]提出了一种利用多光谱成像特性进行食品质量评估和肉类样品污染可视化的新方法，开发了支持向量回归（Support Vector Regression，RVR）模型，以提供储存期间微生物计数的定量估计。实验结果显示了良好的性能，对于模型验证总体正确分类率在89.2%到80.8%之间。Li 等[64]利用多光谱成像和机器学习分类器开发一个牛肉切割分类模型。使用单模和多模特征集，用不同的基于机器学习的分类器，即线性判别分析（Linear Discriminant Analysis，LDA）、SVM和随机森林（Random Forest，RF）算法来开发一个准确的分类模型。优化的LDA 分类器在多模态特征融合的情况下达到了90%以上的预测精度。证明了机器学习和特征融合方法在未来农业应用中利用多光谱成像技术进行肉类分类的潜力。

另外，研究人员也将该技术用于肉类中异物的检测。Wang 等[65]利用多光谱成像技术在405～970 nm 范围内对瘦猪肉中的骨头碎片进行检测。选择SPA 算法确定了七个关键波长（450、470、645、660、700、780 和970 nm），与全光谱建立的模型相比，感兴趣区域在关键波长处提取的光谱数据的测试集分类最高为100%。使用的LPS 模型对瘦肉中骨头碎片的检测效果最佳，并且基于关键波长的训练和测试集的误分类率小于1%。

2.4 多光谱成像技术在水产品品质无损检测中的应用

水产品组织结构脆弱，含有丰富的内源酶和嗜冷细菌，在储藏和运输过程中容易腐烂变质[66]。因此水产品的质量和安全需要认真评估，以获得客户的信任和信心。目前，水产品的真实性、新鲜度、营养损失和细菌污染是水产行业需要解决的主要问题[67]。

新鲜度是判断食品食用属性的基本品质属性，也是易腐食品经处理后可能发生显著变化的品质属性[68]。因此，新鲜度是作为评价鱼品质的最重要指标之一，总挥发性碱性氮[69]（Total Volatile Basic Nitrogen，TVB-N）值可以反映水产品贮藏过程中酶和微生物的作用，常作为评价水产品新鲜度的化学指标。Omwange 等[70]利用多光谱成像技术结合多元分析技术，提供一种快速、无损的方法来评估5 ℃以下冷藏的完整日本鲮鱼的新鲜度。多光谱成像仅通过捕获不同激发波长的鱼类图像就可以成功地无损地评估鱼类的新鲜度。Cheng 等[71]采用5 个SPA 算法和6 个GA，建立的LSSVM 和MLR 模型，对预测化学变质过程中草鱼鱼片中的TVB-N 和K 值表现良好，其中R2p>0.900 和RPD>3.000。所以开发实时在线多光谱成像系统检测，用于草鱼鱼片质量评价和控制是可行和实用的。Khoshnoudi-Nia 等[72]使用简单的多光谱成像系统以及线性和非线性回归来评估，在4±2 °C 下储存12 d 期间各种鱼类腐败指标。运用LSSVM 模型的多光谱成像系统可以同时预测所有总挥发性基本氮和干冷营养板计数（Psychrotrophic Plate Count，PPC）和感官评分三项指标。以上研究均表明应用多光谱成像技术快速测定水产的品质和质量是可行的，为快速检测水产品提供了理论依据。

2.5 多光谱成像技术在其他食品检测中的应用

多光谱成像技术除了用于上述食品外，还用于其他类型食品的检测。例如多光谱用在小麦中脱氧雪腐镰刀菌烯醇（Deoxynivalenol，DON）毒素的检测，DON 被认为是III 类致癌物并且小麦很容易受到脱氧腐镰刀菌烯醇的污染。Shi 等[73]利用多光谱成像系统，建立了一种快速无损检测小麦中DON 含量和污染程度的方法，其中PCA-PLS 模型对污染程度分类的准确率达到了94.29%。除了病害的检测，多光谱技术在品种的识别也表型出相对优势。许学等[74]利用多光谱成像技术和化学计量学方法建立相应的品种鉴定模型，实现小麦品种的快速无损鉴定。

食品分类可以提高其品质，也方便食品的储藏和销售。但目前在市场上运用的技术很难做到精准分类，而多光谱的出现使食品分类进入了新阶段。Liu 等[75]选用三种外观与泰国茉莉花大米相似的大米，通过多光谱图像进行分类和定量预测实验。对于样品的分类，BPNN 模型可以很容易地对4 种不同大米进行分类，准确度可达到92%。Mihailova 等[76]应用多光谱成像来区分烘焙的阿拉比卡咖啡豆和罗布斯塔咖啡豆，使用正交偏最小二乘判别分析（Orthogonal Partial Least Squares Discriminant Analysis，OPLS-DA）模型，实现了测试数据集中两种咖啡物种的100%正确分类。Yu 等[77]通过使用基于PCA 和SVM 的分析方法，尝试区分完整坚果和虫害坚果之间的反射光谱数据，在校准集和预测集中实现了高达99.1%和97.5%的分类准确率。Lianou等[78]选用等温条件下存储的乳制品中获取的多光谱图像的训练特征，输入到SVM 模型，确定香草奶油的微生物质量。然后再用不同温度条件下（4、8、12 和15 ℃）的两批奶油样品，分别是新鲜样品和变质样品，对两种奶油样品进行了分析。此模型验证两类分类的总体准确度为91.7%。所以，多光谱成像技术可能是一种实时评估香草奶油样品微生物质量的方法。

掺假是食品中经常出现的问题，引入多光谱技术在一定程度上可以减少食品掺假事件的发生。Bandara 等[79]将酒黄石米粉作为掺假物加入到姜黄中，使用PCA 和Bhattacharyya Distance 的算法，可以检测出其中的掺假物质。Liu 等[80]利用多光谱成像结合化学计量学方法对番茄酱中的蔗糖掺假进行快速定性和定量检测。其中LSSVM 提高了预测性能，番茄酱第1 批次和第2 批次R2分别为0.936 和0.966，RMSEP 分别为0.521%和0.445%，RPD 分别为5.014 和5.865。Herath 等[81]利用透射率多光谱成像定量评估椰子油掺假，其中训练样本的R2为0.9876，测试样本的均方误差为（Mean Squared Error，MSE）0.0029。验证了多光谱成像系统能够准确地评估椰子油的掺假。

如表2 所示，多光谱成像技术对不同成分光谱吸收具有差异性，通过差异性的光谱信息和图像信息可以更清楚地反映出食品当前状况。因此，多光谱成像对观察食品缺陷、化学成分及物理性质有独特优势，可更好地应用到不同类型的食品检测中。

表2 多光谱成像技术在食品领域应用一览表Table 2 List of multispectral imaging applications in the food sector

3 结论与展望

本文综述了多光谱成像技术在果蔬、肉类及肉制品和水产品的质量安全检测和品质评估中的应用，验证了多光谱成像技术运用于食品检测的可行性，该技术为食品领域提供了一种快速、高效的无损检测方法和手段，在未来食品无损检测应用方面具有巨大潜力。

近年来，多光谱技术在食品无损检测领域取得了显著的进展。研究人员通过优化光谱采集设备和算法，提高了检测的精度和效率。同时，结合人工智能技术，多光谱数据的处理和分析能力得到了进一步提升，为食品检测提供了更可靠的手段。

尽管多光谱技术在食品检测中取得了一系列的成果，但仍然面临一些挑战。例如，不同食品的光谱特性各异，需要针对性地优化检测方法。此外，多光谱技术在实际应用中的成本也需要进一步降低，以促进其更广泛地应用。未来，可以考虑将多光谱技术与其他无损检测手段相结合，进一步提高检测的准确性和全面性。

© The Author(s) 2024.This is an Open Access article distributed under the terms of the Creative Commons Attribution License (https://creativecommons.org/licenses/by-nc-nd/4.0/).