緒論：在尋找寫(xiě)作靈感嗎？愛(ài)發(fā)表網(wǎng)為您精選了1篇紅外光譜模型在農(nóng)產(chǎn)品及食品中的研究，愿這些內(nèi)容能夠啟迪您的思維，激發(fā)您的創(chuàng)作熱情，歡迎您的閱讀與分享！

引言

近些年來(lái)，隨著社會(huì)對(duì)農(nóng)產(chǎn)品和食品質(zhì)量與安全的要求日益增高，傳統(tǒng)的檢測(cè)分析方法已經(jīng)滿足不了目前農(nóng)產(chǎn)品和食品的發(fā)展需要。從生產(chǎn)者角度出發(fā)，傳統(tǒng)的檢測(cè)方法不僅耗時(shí)，而且破壞性的檢測(cè)方法導(dǎo)致了檢測(cè)的樣品不能再次出售，成本較大，同時(shí)由于大部分為抽樣檢測(cè)，不能對(duì)樣品進(jìn)行全面檢測(cè)，會(huì)出現(xiàn)次品漏檢的現(xiàn)象，對(duì)于商品的出售產(chǎn)生負(fù)面效應(yīng)。對(duì)于大多數(shù)消費(fèi)者而言，由于不具備傳統(tǒng)檢測(cè)方法的條件，大部分都以個(gè)人經(jīng)驗(yàn)以及賣(mài)家信譽(yù)購(gòu)買(mǎi)商品，單從商品外表難以獲知其內(nèi)部品質(zhì)，導(dǎo)致購(gòu)買(mǎi)商品的不確定性。同時(shí)，對(duì)于行業(yè)專業(yè)人員來(lái)講，傳統(tǒng)的檢測(cè)方法對(duì)于人員操作要求較高，耗時(shí)且耗力，不利于方法的普及以及使用［１］。因此生產(chǎn)者、消費(fèi)者還是行業(yè)專業(yè)人員越來(lái)越意識(shí)到開(kāi)發(fā)快速、準(zhǔn)確、經(jīng)濟(jì)的檢測(cè)手段是十分必要的。近紅外光譜（ｎｅａｒｉｎｆｒａｒｅｄｓｐｅｃｔｒｏｓｃｏｐｙ，ＮＩＲ）分析具有快速、無(wú)污染、成本低以及無(wú)損等技術(shù)優(yōu)勢(shì)，越來(lái)越受到社會(huì)的關(guān)注。ＮＩＲ的波長(zhǎng)范圍是７８０～２５００ｎｍ，該光譜區(qū)域主要承載的是含氫基團(tuán)振動(dòng)倍頻與合頻特征信息，如Ｏ—Ｈ，Ｎ—Ｈ和Ｃ—Ｈ等含氫基團(tuán)。由于大部分農(nóng)產(chǎn)品以及食品由有機(jī)分子構(gòu)成，含有大量的含氫基團(tuán)，因此近紅外光譜分析技術(shù)的應(yīng)用也是從農(nóng)業(yè)領(lǐng)域起步并慢慢普及。１９６５年，Ｎｏｒｒｉｓ和Ｈａｒｔ［２］首次采用近紅外光譜法對(duì)谷物的水分等指標(biāo)含量進(jìn)行了檢測(cè)。１９８５年，Ｂｉｒｔｈ［３］等開(kāi)發(fā)了一種叫做“Ｂｉｏｓｐｅｃｔ”的近紅外光譜儀，采用其對(duì)新鮮洋蔥的干物質(zhì)含量進(jìn)行了測(cè)定。此后，近紅外光譜分析技術(shù)在檢測(cè)領(lǐng)域取得了快速的發(fā)展，能夠檢測(cè)的物料品種以及相關(guān)指標(biāo)也越來(lái)越多［４］。與此同時(shí)，儀器的種類也根據(jù)分析對(duì)象的種類、運(yùn)行條件以及特殊需求等得到了進(jìn)一步的優(yōu)化，如離線型、在線型、臺(tái)式、手持式以及特制型等［５］。目前為止，近紅外光譜在農(nóng)產(chǎn)品和食品品質(zhì)分析的研究以及應(yīng)用很多［６］，但大多數(shù)只對(duì)于一種物料建立近紅外專用數(shù)學(xué)模型。由于農(nóng)產(chǎn)品和食品的種類眾多，應(yīng)對(duì)這種情況，運(yùn)用傳統(tǒng)的近紅外分析方法無(wú)疑會(huì)增加建模的工作量。一般差異較大的物料是難以進(jìn)行模型通用的。然而近些年來(lái)，一些專家和學(xué)者嘗試建立近紅外通用模型，即建立一個(gè)近紅外通用模型，能夠?qū)Χ喾N物料的同一指標(biāo)或多種指標(biāo)進(jìn)行檢測(cè)。雖說(shuō)這類通用模型與傳統(tǒng)模型相比，精確度有所下降，但該類模型不僅具有建模成本低、工作量小等優(yōu)勢(shì)，而且若模型預(yù)測(cè)結(jié)果能滿足實(shí)際應(yīng)用要求，也使近紅外光譜技術(shù)在農(nóng)產(chǎn)品和食品領(lǐng)域中的應(yīng)用具有很大的推廣意義。針對(duì)農(nóng)產(chǎn)品和食品近紅外光譜通用模型在建模過(guò)程中樣品信息的獲取、模型的建立以及樣品信息的預(yù)測(cè)三個(gè)步驟中的研究進(jìn)行綜述，對(duì)使用的方法進(jìn)行歸納總結(jié)，提出對(duì)于通用模型開(kāi)發(fā)與研究的一些建議，并就近紅外光譜通用模型預(yù)測(cè)方法在檢測(cè)領(lǐng)域的發(fā)展趨勢(shì)做進(jìn)一步展望。

１通用模型樣品信息的獲取

近紅外光譜分析法的樣品信息獲取包括采集樣品的光譜和測(cè)定樣品的指標(biāo)，這些信息中包含樣品的確定信息和不確定信息。確定信息決定了模型的關(guān)系信息，即光譜與指標(biāo)之間的關(guān)系，不確定信息決定了模型的適用范圍，即關(guān)系信息之外的一些影響因素，這兩種信息影響模型的準(zhǔn)確性和穩(wěn)健性［７］。根據(jù)通用模型的目的不同，獲取樣品信息的側(cè)重點(diǎn)也不同，如不同地域、不同批次、不同年份、不同溫度、不同加工方法、不同成分組成甚至是不同品種。王燕妮［８］等采用近紅外光譜分析法，首先將８種飼料原料（菜粕、ＤＤＧＳ、豆粕、麩皮、棉粕、小麥、玉米和雜粕）研磨后并過(guò)０．７５ｍｍ篩，然后采集粉末狀飼料原料的近紅外漫反射光譜，然后測(cè)定了這些飼料原料的粗蛋白、粗脂肪和粗纖維３種組分的指標(biāo)含量，利用偏最小二乘法（ｐａｒｔｉａｌｌｅａｓｔ－ｓｑｕａｒｅｓｒｅｇｒｅｓｓｉｏｎ，ＰＬＳ）算法，建立了能夠?qū)Γ阜N飼料原料的３個(gè)指標(biāo)進(jìn)行預(yù)測(cè)的通用檢測(cè)模型，通過(guò)比較其結(jié)果顯示，通用模型的檢測(cè)結(jié)果與單獨(dú)模型的檢測(cè)檢測(cè)結(jié)果差異不大，并且能滿足實(shí)際生產(chǎn)需要。ＰｉｙａｍａｒｔＪａｎｎｏｋ［９］等利用手持式短波可見(jiàn)近紅外光譜儀分別采集了蘋(píng)果、梨、柿子三種水果的漫透射光譜后，測(cè)得三種水果的可溶性固形物（ｓｏｌ－ｕｂｌｅｓｏｌｉｄｓｃｏｎｔｅｎｔ，ＳＳＣ），同樣運(yùn)用ＰＬＳ算法建立了一種通用模型，該模型實(shí)現(xiàn)對(duì)蘋(píng)果、梨與柿子的ＳＳＣ進(jìn)行通用預(yù)測(cè)。通過(guò)與單獨(dú)品種模型的預(yù)測(cè)標(biāo)準(zhǔn)偏差（ｓｔａｎｄａｒｄｅｒｒｏｒｏｆｐｒｅｄｉｃｔｉｏｎ，ＳＥＰ）的范圍（ＳＥＰ＝０．３４～０．４０°Ｂｒｉｘ）對(duì)比，通用模型的ＳＥＰ（０．４３°Ｂｒｉｘ）雖有所下降，但仍滿足檢測(cè)要求。該研究表明，即便品種不同，但質(zhì)構(gòu)相似的薄皮水果是可以建立通用模型來(lái)預(yù)測(cè)相關(guān)品質(zhì)指標(biāo)的。Ｆａｎ［１０］等考察了利用近紅外光譜儀采集蘋(píng)果不同部位（赤道處、花萼處、柄附近處）的光譜分別建立ＳＳＣ定量模型，發(fā)現(xiàn)赤道位置采集光譜建立的ＳＳＣ定量模型只能對(duì)本位置采集的蘋(píng)果光譜進(jìn)行有效的預(yù)測(cè)ＳＳＣ含量，其他兩個(gè)部位建立的ＳＳＣ模型也有相似的結(jié)果。為了解決這一問(wèn)題，該課題組將三個(gè)部位采集的信息合并，共同建立一個(gè)模型，即“位置通用模型”。結(jié)果顯示，位置通用模型對(duì)赤道處、花萼處、柄附近處果肉ＳＳＣ的ＳＥＰ分別為０．３８６°Ｂｒｉｘ，０．４８６°Ｂｒｉｘ和０．４０９°Ｂｒｉｘ，預(yù)測(cè)相關(guān)系數(shù)為０．９７７，０．９５５和０．９７７。說(shuō)明該種方法能夠有效減少由于采集信息的位置不同導(dǎo)致的預(yù)測(cè)誤差。上述研究可知，通用模型的信息獲取可以說(shuō)是通過(guò)一些“校正”與“包容”的思維來(lái)攻破模型通用的難題，即在影響模型準(zhǔn)確性和穩(wěn)健性不大的前提下，滿足檢測(cè)的要求，提高模型的適用性。

２通用模型的建立

當(dāng)物料的光譜信息以及待測(cè)指采集之后，需要建立兩者之間的數(shù)學(xué)關(guān)系，即建立模型。相對(duì)于傳統(tǒng)的近紅外分析模型，通用模型的建立在樣本集篩選、光譜預(yù)處理、變量選擇以及建模方法上都需要考慮由于不同地域、年份、溫度、成分組成以及品種等因素的復(fù)雜性產(chǎn)生的影響。

２．１通用模型樣本集的篩選

樣本篩選是將采集的樣本信息分為校正集與驗(yàn)證集。當(dāng)樣本集中的樣品數(shù)足夠多且具有代表性、參數(shù)分布均勻以及性質(zhì)范圍應(yīng)包含待測(cè)樣品等時(shí)，預(yù)測(cè)模型的準(zhǔn)確性和穩(wěn)健性才能滿足一定的檢測(cè)需求。對(duì)于通用模型而言，更需要保證模型的適用性，因此通用模型樣本集的篩選相對(duì)復(fù)雜。Ｋｅｎｎａｒｄ－Ｓｔｏｎｅ（ＫＳ）［１１］方法是樣本集篩選中最為常用的一種分類方法，該種方法根據(jù)光譜特征進(jìn)行選取。Ｗａｎｇ［１２］等首先采集五個(gè)品種（ＲｅｄＣｏｍｉｃｅ，Ｗｕｊｉｕｘｉａｎｇ，Ａｂａｔｅ，Ｃａｓ－ｃａｄｅ，Ｃｏｎｆｅｒｅｎｃｅ）洋梨的漫透射光譜以及光譜采集對(duì)應(yīng)位置的ＳＳＣ與果肉硬度值，每個(gè)品種約９４～９６個(gè)樣本信息，通過(guò)ＫＳ方法把各個(gè)品種樣本信息按照三比一的比例分為校正集與驗(yàn)證集，隨后將分離后的各個(gè)品種的校正集和驗(yàn)證集合并組成一個(gè)新的校正集（３５８?jìng)€(gè)）和驗(yàn)證集（１１８?jìng)€(gè)）。經(jīng)統(tǒng)計(jì)，ＳＳＣ與果肉硬度的新校正集的指標(biāo)范圍分別為１１．３％～１８．５％，１．９～７１．２Ｎ，驗(yàn)證集的指標(biāo)范圍分別為１１．６％～１８．０％，３．５～６６．５Ｎ。最后運(yùn)用多元線性回歸（ｍｕｌｔｉｐｌｅｌｉｎ－ｅａｒｒｅｇｒｅｓｓｉｏｎ，ＭＬＲ）算法建立了洋梨的ＳＳＣ通用預(yù)測(cè)模型，用ＰＬＳ法建立果肉硬度的通用檢測(cè)模型。結(jié)果顯示，ＳＳＣ與硬度通用模型的預(yù)測(cè)決定系數(shù)分別為０．８７與０．６６，ＳＥＰ分別為０．４５％和８．１１Ｎ，該通用模型具有一定的應(yīng)用潛力。Ｓｅｔｐａｒｔｉｔｉｏｎｉｎｇｂａｓｅｄｏｎｊｏｉｎｔｘ－ｙｄｉｓｔａｎｃｅ（ＳＰＸＹ）法［１３］是在ＫＳ方法的基礎(chǔ)上演變而來(lái)的一種新的樣本篩選方法，該方法考慮了樣本的光譜特征以及對(duì)應(yīng)的指標(biāo)兩種因素，進(jìn)而對(duì)樣本信息進(jìn)行篩選。馬卉［１４］等采集了五種藥材飲片（黃芩、梔子、板藍(lán)根、黃柏、胖大海）的近紅外光譜，并測(cè)定了五種藥材的水分含量，同樣用Ｗａｎｇ的方法，運(yùn)用ＳＰＸＹ距離劃分法將五種藥材的樣本信息劃分為校正集與驗(yàn)證集。經(jīng)統(tǒng)計(jì)顯示，該方法劃分的校正集含水量范圍涵蓋驗(yàn)證集，證明劃分的校正集具有良好的代表性，有利于建立這五種藥材飲片水分含量的通用檢測(cè)模型。常冬［１５］等通過(guò)建立四種不同飼料原料的淀粉含量通用定量檢測(cè)模型時(shí)發(fā)現(xiàn)，通過(guò)ＫＳ方法篩選的通用模型樣本集比單個(gè)品種的分布范圍更加廣泛，通用模型的評(píng)價(jià)參數(shù)甚至要好于獨(dú)立模型。通過(guò)以上研究可以推斷，無(wú)論使用哪種樣本篩選方法，應(yīng)先將獨(dú)立對(duì)象的樣本按照一定比例進(jìn)行校正集和驗(yàn)證集的預(yù)篩選，然后將各自篩選出來(lái)的校正集與驗(yàn)證集進(jìn)行整合后，校正集和樣本集的分布數(shù)據(jù)更佳合理，建模效果較好。

２．２通用模型的光譜預(yù)處理方式

采集后的光譜信息除了含有樣品自身的有效信息外，還包含其他無(wú)效信息，以及對(duì)建立模型產(chǎn)生負(fù)面效應(yīng)的信息，如噪聲、背景以及雜散光等。在建立通用模型時(shí)，由于樣本具有地域、時(shí)間、大小以及品種的多樣性導(dǎo)致的光譜多樣性也會(huì)對(duì)建立通用模型帶來(lái)不利。因此如何使用有效的方法對(duì)光譜進(jìn)行處理，是建立通用模型時(shí)需要考慮的問(wèn)題。常見(jiàn)的光譜預(yù)處理方法有均值中心化、標(biāo)準(zhǔn)化、歸一化、平滑、導(dǎo)數(shù)、標(biāo)準(zhǔn)正態(tài)變量變換、多元線性校正、傅里葉變換、小波變換、正交信號(hào)校正以及凈分析信號(hào)等［１６］。Ｌｉｕ［１７］等運(yùn)用可見(jiàn)／近紅外光譜便攜儀分別采集了蘋(píng)果、梨、桃三種水果的光譜信息，積分時(shí)間分別為１００，９０和６０ｍｓ，然后測(cè)得ＳＳＣ值，并建立三種水果的ＳＳＣ通用定量檢測(cè)模型。研究發(fā)現(xiàn)，首先通過(guò)標(biāo)準(zhǔn)正態(tài)變量變換處理，能夠在一定程度上消除水果大小以及內(nèi)部果肉顆粒造成的散射影響，Ｓａｖｉｔｚｋｙ－Ｇｏｌａｙ平滑處理能夠消除一些高頻噪聲，二階導(dǎo)數(shù)處理能夠消除由于采集光譜積分時(shí)間不同導(dǎo)致的基線漂移現(xiàn)象，經(jīng)過(guò)上述三種光譜預(yù)處理之后，三種水果的光譜在８４０～９２０ｎｍ波長(zhǎng)范圍內(nèi)表現(xiàn)出良好的光譜一致性，在這個(gè)波段范圍嘗試ＰＬＳ以及ＭＬＲ兩種建模方法進(jìn)行通用模型的建立。結(jié)果顯示，ＰＬＳ通用模型的預(yù)測(cè)決定系數(shù)和ＳＥＰ分別為０．９７和０．４５°Ｂｒｉｘ，ＭＬＲ通用模型的預(yù)測(cè)決定系數(shù)和ＳＥＰ分別為０．９６和０．４６°Ｂｒｉｘ，模型均達(dá)到了一定的預(yù)測(cè)要求。彭丹等［１８］采集了不同原料（大豆和菜籽）的不同等級(jí)油的近紅外光譜，共建立了四種油的過(guò)氧化值通用檢測(cè)模型，即不同等級(jí)的大豆油、不同等級(jí)的菜籽油以及兩種同一等級(jí)但原料不同的食用油。結(jié)果顯示，通過(guò)二階導(dǎo)數(shù)處理后的光譜建立的一級(jí)油的通用模型效果最好，其推測(cè)二階導(dǎo)數(shù)處理能夠消除基線以及背景干擾，提高有效信息的表達(dá)，有利于建立通用模型。Ｓａｒａｎｗｏｎｇ等［１９］建立近紅外光譜通用模型，考察該模型對(duì)兩種芒果是否被果蠅的蟲(chóng)卵幼蟲(chóng)侵染進(jìn)行無(wú)損檢測(cè)。結(jié)果表明，采集后的光譜進(jìn)行二階導(dǎo)處理，能夠有效的表征兩種芒果正常儲(chǔ)藏和被果蠅蟲(chóng)卵及幼蟲(chóng)侵染后的果實(shí)品質(zhì)的變化，建立的偏最小二乘法判別通用模型能夠?qū)煞N芒果是否被果蠅蟲(chóng)卵及幼蟲(chóng)侵染進(jìn)行正確判別，即芒果被蠅蟲(chóng)卵及幼蟲(chóng)侵染后４８ｈ，校正集判別假負(fù)率和判別假正率均為１．１％，驗(yàn)證集判別假負(fù)率為６．２％，判別假正率為１．２％。Ｌｉ等［２０］使用ＡｎｔａｒｉｓⅡ近紅外分光光度計(jì)半透反射模式掃描三種不同等級(jí)蜂蜜近紅外光譜，并通過(guò)高效液相色譜法測(cè)定蜂蜜的水分、５－羥甲基糠醛、果糖和葡萄糖含量，建立三種等級(jí)蜂蜜的指標(biāo)定量預(yù)測(cè)的通用模型。結(jié)果顯示，在建立水分、５－羥甲基糠醛和果糖三種指標(biāo)的通用定量模型時(shí)，采用一階導(dǎo)數(shù)、Ｓａｖｉｔｚｋｙ－Ｇｏｌａｙ平滑與多元散射校正的光譜預(yù)處理組合方式，模型效果最好。對(duì)于葡萄糖模型，僅使用一階導(dǎo)數(shù)的光譜預(yù)處理方式效果最佳。通過(guò)上述研究推斷，建立近紅外光譜模型時(shí)，對(duì)采集的光譜信息運(yùn)用預(yù)處理手段可以消除噪聲以及背景的信息，提高有效信息。同時(shí)在建立通用模型時(shí)，適當(dāng)選取某些波段再進(jìn)行光譜預(yù)處理，還能消除由于樣品多樣性產(chǎn)生的光譜不一致性，利于建立通用模型。

２．３通用模型的變量選擇

光譜分析法建立的模型在對(duì)樣品進(jìn)行分析時(shí)，由于光譜的數(shù)據(jù)量越來(lái)越大，也會(huì)產(chǎn)生一些該技術(shù)在農(nóng)產(chǎn)品及食品品質(zhì)高通量無(wú)損快速檢測(cè)需求的不利因素，其主要表現(xiàn)為增加計(jì)算成本、對(duì)儀器硬件要求較高以及工作效率低等方面［２１］。因此，近些年來(lái)，大量的研究工作專注于變量選擇，篩選后的有效信息用于建立變量少的數(shù)學(xué)模型。由于采集光譜使用的儀器、采集方式等不同，導(dǎo)致了光譜的表觀形式不同，光譜預(yù)處理也具有放大信號(hào)的作用，即放大了由于品種、產(chǎn)地、加工方式等產(chǎn)生的光譜差異，這些因素對(duì)于建立近紅外通用模型是不利的。因此相比于傳統(tǒng)的模型，通用模型具有更加多樣化的樣本信息，選擇有效、少且全的變量信息是一個(gè)相對(duì)復(fù)雜的研究課題。Ｌｉ等［２２］采用便攜式可見(jiàn)近紅外光譜儀分別采集了三種甜瓜（瑪瑙、金紅寶、西州蜜）兩個(gè)部位（赤道部位、花萼部位）處的可見(jiàn)近紅外漫透射光譜，光譜范圍是５５０～１１００ｎｍ，檢測(cè)對(duì)應(yīng)部位的ＳＳＣ值，建立三種甜瓜ＳＳＣ的通用模型。結(jié)果顯示，采集的三種甜瓜的光譜，由于品種以及采集部位不同，原始光譜的特征差異較大，為了消除基線以及甜瓜表面紋路的影響，采用的多元散射校正、Ｓａｖｉｔｚｋｙ－Ｇｏｌａｙ平滑以及一階導(dǎo)數(shù)的光譜預(yù)處理方式，處理后光譜范圍在５５０～７４９ｎｍ的光譜差異較大，這是由于甜瓜表面顏色不同導(dǎo)致的，而在７５０～９５０ｎｍ處的光譜一致性較好。因此在７５０～９５０ｎｍ范圍內(nèi)運(yùn)用競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法（ｃｏｍｐｅｔｉ－ｔｉｖｅａｄａｐｔｉｖｅｒｅｗｅｉｇｈｔｅｄｓａｍｐｌｉｎｇ，ＣＡＲＳ）僅選?。玻磦€(gè)變量，建立的ＰＬＳ通用模型能夠具備一定的應(yīng)用潛力（ＲＭＳＥＰ＝０．７３°Ｂｒｉｘ，Ｒ２ｐ＝０．８３）。有研究先將三種糧食樣品經(jīng)過(guò)粉碎處理，再通過(guò)１８目篩后進(jìn)行光譜掃描，通過(guò)物理方法消除了由于顆粒大小造成的影響，光譜與水分含量測(cè)定后，分別運(yùn)用蒙特卡洛無(wú)信息變量消除算法（Ｍｏｎｔｅｃａｒｌｏｕｎｉｎｆｏｒｍａｔｉｖｅｖａｒｉａｂｌｅｅｌｉｍｉｎａｔｉｏｎ，ＭＣＵＶＥ）與蒙特卡洛無(wú)信息變量消除算法與連續(xù)投影算法聯(lián)用算法ＭＣＵＶＥ－ＳＰＡ（Ｍｏｎｔｅｃａｒｌｏｕｎｉｎｆｏｒｍａｔｉｖｅｖａｒｉａｂｌｅｅｌｉｍｉｎａｔｉｏｎｓｕｃｃｅｓｓｉｖｅｐｒｏｊｅｃｔｉｏｎｓａｌｇｏ－ｒｉｔｈｍ，ＭＣＵＶＥ－ＳＰＡ）對(duì)光譜的變量進(jìn)行篩選后，建立具有對(duì)糧食水分進(jìn)行預(yù)測(cè)的通用定量模型。相比于原始變量（１２７個(gè)），ＭＣＵＶＥ與篩選的變量分別為１８和７個(gè)，經(jīng)歷了變量篩選后的建立的模型仍可滿足需求。周婷等［２３］采集了７個(gè)不同批次的溫州蜜桔的光譜信息（２００～１１００ｎｍ），建立ＳＳＣ模型，光譜經(jīng)過(guò)預(yù)處理后，選?。玻常啊梗担埃睿聿ǘ畏秶⒛Ｐ?，同時(shí)采用無(wú)信息消除變量法（ｕｎｉｎｆｏｒｍａｔｉｖｅｖａｒｉａｂｌｅｌｉｍｉｎａｔｉｏｎ，ＵＶＥ）、ＣＡＲＳ法以及ＵＶＥ－ＣＡＲＳ組合的方法建立ＳＳＣ的ＰＬＳ通用定量模型。結(jié)果表明，通過(guò)ＵＶＥ－ＣＡＲＳ方法選取的變量數(shù)目最少，僅３４個(gè)變量，模型的預(yù)測(cè)效果最佳，即Ｒｃｖ＝０．７０４，ＲＭＳＥＣＶ＝０．９４９％，Ｒｐ＝０．７３２，ＲＭＳＥＰ＝０．８７３％。經(jīng)上述研究可推測(cè)，通用模型建立時(shí)，變量篩選需先通過(guò)物理、化學(xué)以及化學(xué)計(jì)量學(xué)方法消除其他因素干擾，選取合適的建模波段范圍作為基礎(chǔ)，再通過(guò)算法選出變量進(jìn)行建模，效果較好。２．４通用模型的建模方法近紅外光譜分析法中常用的定量方法有多元線性回歸法、主成分回歸法、偏最小二乘法等一些線性校正方法，同時(shí)還有人工神經(jīng)網(wǎng)絡(luò)以及支持向量機(jī)等非線性校正方法［２４］。目前來(lái)說(shuō)，ＰＬＳ方法在近紅外光譜分析法中應(yīng)用最為廣泛，逐漸成為一種標(biāo)準(zhǔn)的常用方法，而一些非線性方法的應(yīng)用也逐漸增多［２５］。Ｐｏｃｗｉａｒｄｏｗｓｋｉ等［２６］運(yùn)用近紅外光譜儀采集了五種蔬菜種子的近紅外光譜，使用ＰＬＳ法建立了五種蔬菜種子的水分含量的通用預(yù)測(cè)模型，結(jié)果顯示，校正模型的相關(guān)系數(shù)為０．９９６８，Ｑ系數(shù)［２７］達(dá)到０．８９０４（Ｑ系數(shù)大于０．７，表明該模型預(yù)測(cè)性能較好）。Ｔｏｒｒｅｓ等［２８］使用微型光譜儀采集了兩個(gè)柑橘品種（Ｏｒａｎｇｅｓ和Ｍａｎｄａｒｉｎｓ）光譜，測(cè)得兩種柑橘的顏色指數(shù)（Ｌ＊，ａ＊，ｂ＊，Ｃ＊，ｈ＊，比色指數(shù)）、硬度、果皮、縱徑、橫徑、重量、厚度以及果汁質(zhì)量，比較使用線性回歸方程（ＰＬＳ法）與非線性方程（ｎｏｎ－ｌｉｎｅａｒｒｅｇｒｅｓｓｉｏｎｔｅｃｈｎｉｑｕｅｓ，ＬＯＣＡＬ算法［２９］）建立兩種柑橘水果模型的結(jié)果，其顯示使用ＬＯＣＡＬ算法建立的各個(gè)指標(biāo)通用模型效果均比ＰＬＳ法更佳。Ｈｕａｎｇ等［３０］使用可見(jiàn)近紅外光譜儀采集了三種茶葉、六個(gè)部位的光譜信息，并測(cè)得四種主要兒茶素和咖啡因含量，分別用不同的建模方法建立了通用定量模型。結(jié)果顯示，使用ＭＬＲ方法建立的四種兒茶素的通用定量模型效果最好，模型的相關(guān)系數(shù)分別為０．９４９，０．８９３，０．９６８和０．９３１，使用ＰＬＳ法建立的咖啡因的通用定量模型效果最好，模型的相關(guān)系數(shù)為０．９１７。經(jīng)上述研究可知，無(wú)論是線性校正方法還是非線性校正方法，都能建立通用模型。

３通用模型樣品信息的預(yù)測(cè)

隨著近紅外技術(shù)使用環(huán)境的多樣化，比如環(huán)境的溫度、濕度、儀器臺(tái)間差、待測(cè)樣本狀態(tài)等，使得采集的光譜產(chǎn)生差異等因素，給使用建立好的通用模型對(duì)未知樣品信息的預(yù)測(cè)帶來(lái)困難。為了解決這一問(wèn)題，模型傳遞的研究也是近期研究的熱點(diǎn)［３１］，同時(shí)該方法的研究也為實(shí)現(xiàn)模型的通用開(kāi)辟了新的道路。Ｗｏｎｇｓａｉｐｕｎ等［３２］首先建立了泰國(guó)茉莉香米摻假的偏最小二乘判別模型，隨后采用正交投影算法［３３］提取泰國(guó)茉莉香米的變量，再通過(guò)模型傳遞對(duì)未知摻假樣品的近紅外光譜進(jìn)行校正，使其在模型的預(yù)測(cè)范圍之內(nèi)，相比于之前未進(jìn)行模型傳遞的模型，預(yù)測(cè)值ＲＭＥＳＰ值降低，Ｑ２值提高。這種方法不僅實(shí)現(xiàn)了對(duì)泰國(guó)茉莉香米是否摻假的量化檢測(cè)，同時(shí)也降低了建立模型的成本，實(shí)現(xiàn)了模型的通用。李小昱等［３４］應(yīng)用模型傳遞的方法，實(shí)現(xiàn)了不同品種豬肉ｐＨ值的近紅外定量預(yù)測(cè)模型的通用。該課題組先建立了山黑豬豬肉ｐＨ值的近紅外光譜ＰＬＳ定量模型，隨后使用光譜值校正傳遞算法消除了山黑豬豬肉與零號(hào)土豬豬肉之間的光譜差異，進(jìn)而對(duì)零號(hào)土豬豬肉的ｐＨ值進(jìn)行預(yù)測(cè)，模型傳遞后的預(yù)測(cè)相關(guān)系數(shù)為０．８３７，相比沒(méi)有傳遞之前提高了１０１．６９％，模型傳遞后的預(yù)測(cè)均方根誤差為０．０８５６，相比沒(méi)有傳遞之前降低了５２．５５％，研究表明校正后模型的預(yù)測(cè)效果均達(dá)到應(yīng)用水平。近些年來(lái)，互聯(lián)網(wǎng)、大數(shù)據(jù)、云服務(wù)等技術(shù)不斷興起，通過(guò)將這些新興技術(shù)與近紅外光譜技術(shù)快速、便捷、無(wú)損的特點(diǎn)相結(jié)合，為新農(nóng)業(yè)發(fā)展提供了思路。郭志明等［３５］通過(guò)研發(fā)低成本、低能耗、小型的蘋(píng)果手持便攜儀器采集光譜信息，通過(guò)物聯(lián)網(wǎng)云端數(shù)據(jù)庫(kù)實(shí)現(xiàn)對(duì)蘋(píng)果品質(zhì)的數(shù)據(jù)傳輸以及遠(yuǎn)程維護(hù)，建立了１７個(gè)產(chǎn)區(qū)富士蘋(píng)果的ＳＳＣ、硬度以及維生素Ｃ含量的通用定量檢測(cè)模型，并對(duì)兩個(gè)地區(qū)的蘋(píng)果（陜西洛川和甘肅天水）的進(jìn)行預(yù)測(cè)，其獨(dú)立預(yù)測(cè)相關(guān)系數(shù)Ｒｉ平均值分別為０．９３１，０．７９４和０．７５５，獨(dú)立預(yù)測(cè)均方根誤差平均值分別為０．５９６％，１．５６３ｋｇ?ｃｍ－２和０．９４２ｍｇ?（１００ｇ）－１，結(jié)果顯示該系統(tǒng)可以將通用模型與云服務(wù)技術(shù)相結(jié)合，對(duì)蘋(píng)果的品質(zhì)進(jìn)行預(yù)測(cè)。綜上所述，隨著新技術(shù)的發(fā)展，某些通用模型對(duì)樣品信息的預(yù)測(cè)已經(jīng)突破了傳統(tǒng)形式上的模型預(yù)測(cè)方式，這種將無(wú)損快速檢測(cè)技術(shù)與其他新興技術(shù)有機(jī)地結(jié)合起來(lái)運(yùn)用到農(nóng)產(chǎn)品與食品的研究成果，也為未來(lái)通用模型的開(kāi)發(fā)與利用提供了新的探索方向。

４結(jié)論

農(nóng)產(chǎn)品和食品的質(zhì)量與安全與人們的日常生活息息相關(guān)，需求量大且種類多給農(nóng)產(chǎn)品和食品品質(zhì)檢測(cè)帶來(lái)了巨大的工作量。近紅外光譜由于其速度快、靈敏度高、采樣方式靈活多變以及無(wú)損檢測(cè)等技術(shù)優(yōu)勢(shì)，已經(jīng)在農(nóng)產(chǎn)品以及食品品質(zhì)檢測(cè)領(lǐng)域占有一席之地。目前，大多數(shù)研究是針對(duì)于某種特定情況下對(duì)某一種物料進(jìn)行檢測(cè)。但在實(shí)際生活中，面對(duì)不同地域、不同年份、不同溫度、不同加工方法、不同成分組成甚至是不同品種的農(nóng)產(chǎn)品以及食品，傳統(tǒng)的近紅外光譜“一對(duì)一”式模型已經(jīng)滿足不了該項(xiàng)技術(shù)在農(nóng)產(chǎn)品與食品領(lǐng)域的產(chǎn)業(yè)化應(yīng)用。隨著計(jì)算機(jī)技術(shù)、光譜儀硬件、化學(xué)計(jì)量學(xué)以及互聯(lián)網(wǎng)技術(shù)的發(fā)展，一部分學(xué)者已經(jīng)開(kāi)始著手于近紅外光譜通用型模型的研究與開(kāi)發(fā)。然而，近紅外光譜通用型模型在農(nóng)產(chǎn)品以及食品品質(zhì)檢測(cè)方面的研究尚處于發(fā)展階段，還存在著一些問(wèn)題，主要體現(xiàn)在以下方面。（１）目前通用型模型研究的農(nóng)產(chǎn)品以及食品種類不多，至今報(bào)道的文獻(xiàn)仍然相對(duì)較少，主要集中在果蔬與糧油的品質(zhì)檢測(cè)，而且該項(xiàng)技術(shù)應(yīng)用還不廣泛。（２）目前通用型模型主要應(yīng)用在定量檢測(cè)，對(duì)于用于定性檢測(cè)的通用模型研究相對(duì)比較少。（３）建立通用型模型時(shí)，建模方法主要以多元線性回歸以及偏最小二乘法居多，其他的建模方法相對(duì)較少，應(yīng)用也不多。（４）通用型模型建立的機(jī)理研究尚不深入。采用近紅外光譜技術(shù)建立通用型模型對(duì)農(nóng)產(chǎn)品以及食品品質(zhì)進(jìn)行檢測(cè)尚處于科學(xué)研究階段，應(yīng)用相對(duì)較少。結(jié)合通用型模型的優(yōu)點(diǎn)，改進(jìn)的預(yù)測(cè)方法必然是未來(lái)檢測(cè)領(lǐng)域的趨勢(shì)。同時(shí)，近紅外光譜通用性模型的建立也為其他方式無(wú)損檢測(cè)通用型模型的研究與開(kāi)發(fā)提供新的思路。

作者:李明 韓東海 魯丁強(qiáng) 魯曉翔 柴春祥 劉文 孫柯璇 單位:天津商業(yè)大學(xué)生物技術(shù)與食品科學(xué)學(xué)院 中國(guó)農(nóng)業(yè)大學(xué)食品科學(xué)與營(yíng)養(yǎng)工程學(xué)院 湘潭大學(xué)化工學(xué)院