综述：近红外光谱技术在乳及乳制品中有害物质快速检测中的应用研究进展

《Journal of Dairy Science》：Graduate Student Literature Review: A review on near-infrared spectroscopy for rapid detection of hazardous substances in milk and dairy products*

本综述系统阐述了近红外光谱（NIRS）技术作为传统检测方法的有力替代方案，在乳品有害物质（兽药残留、非法添加物、食源性致病菌）快速检测中的原理、方法学进展与应用潜力。文章详述了化学计量学（包括数据预处理、特征波长筛选及模型构建策略），并指出当前NIRS技术面临检测机制不明确、痕量检测灵敏度不足、复杂基质干扰及模型鲁棒性欠佳等挑战，未来可结合深度学习（DL）、人工智能（AI）及多模态分析等前沿技术进一步提升其性能。

　　

AN OVERVIEW OF NIRS

Detection Principle

近红外光谱（NIRS）的检测波段位于780–2,526 nm（波数12,820–3,960 cm^?1），主要捕获C–H、O–H、N–H等化学键的倍频与合频振动信号。其核心原理是通过建立光谱数据与目标物化性质之间的定量或定性关系模型，实现对样品成分的无损分析。

Detection Method

根据检测模式可分为透射、漫反射和透反射光谱。针对乳品等悬浮颗粒体系，常采用透反射模式并结合匀速搅拌以确保样品均匀性。

Analytical Processes

NIRS分析需经过代表性样品制备、光谱采集、异常样本剔除、数据划分（校正集与验证集）、参考值测定、光谱预处理、化学计量学建模及模型验证等步骤。

Chemometrics

化学计量学是NIRS分析的关键，涵盖光谱预处理、特征波长选择、模型构建与评估。

Spectral Data Preprocessing

常用散射校正方法包括多元散射校正（MSC）和标准正态变量变换（SNV）；光谱导数法如Savitzky–Golay平滑可有效消除基线漂移和噪声。

Characteristic Wavelength Selection

采用无信息变量消除（UVE）、竞争性自适应重加权采样（CARS）等算法筛选特征波长，结合化学计量学模型可提高检测精度。

Model Construction

传统机器学习（ML）方法如偏最小二乘（PLS）、随机森林（RF）广泛应用于定量分析；深度学习（DL）与人工智能（AI）技术在复杂非线性关系建模中展现出优势。建模方法分为定量（如PLSR、SVR、ANN）和定性（如PLS-DA、SIMCA）两类。

Model Evaluation

定量模型常用相关系数（r）、决定系数（R²）、均方根误差（RMSE）和相对分析误差（RPD）评估；定性模型则依赖准确率（AC）、精确率（PR）、召回率（RE）及F1分数等指标。综合指标（如混淆矩阵、AUC-ROC）更能全面反映模型性能。

APPLICATION OF NIRS IN THE DETECTION OF HAZARDOUS SUBSTANCES

Application of NIRS in the Detection of Veterinary Drug Residues

兽药滥用导致乳品中抗生素（如四环素、青霉素）残留超标，传统检测方法操作繁琐。NIRS结合PLS算法可实现青霉素、氯唑西林等抗生素的最大残留限量（MRL）定量分析，对四环素（TC）的检测准确率可达96.3%，有效补充传统检测技术。

Application of NIRS in the Detection of Adulterating Substances

Melamine

三聚氰胺非法添加会引发肾脏疾病。NIRS通过识别分子结构特征光谱，避免传统氮含量测定法的干扰。PLS模型可实现乳粉中0.1%以上三聚氰胺的定性识别，近红外高光谱成像（NIR-HSI）结合多变量校准可将检测限降至0.02%。

Urea

尿素掺假为低成本增氮手段。NIRS结合PLS或PLS-DA模型对液态乳中尿素掺假的识别率可达93.6%，PLSR模型定量分析决定系数（R²）高达0.9883，具备高精度检测能力。

Hydrolyzed Leather Protein

水解皮革蛋白（HLP）含重金属残留风险。NIRS结合支持向量回归（SVR）或波长注意力卷积神经网络（WA-CNN）模型可实现对婴儿配方乳粉中HLP的有效识别与定量，WA-CNN模型预测性能显著优于传统方法。

Application of NIRS in Foodborne Pathogens

E. coli

NIRS通过微生物细胞生物大分子（如核酸、蛋白质）的特征吸收实现致病菌检测。结合PLS-DA模型对大肠杆菌、金黄色葡萄球菌的区分准确率（AUC>97%），在微生物增殖样品中判别力尤强。

Salmonella

NIRS技术可快速识别乳中沙门氏菌污染，PLS-DA模型灵敏度与特异性均达100%。多菌种鉴别中，近红外高光谱成像结合主成分分析（PCA）可实现病原菌与非病原菌的有效区分。

CHALLENGES AND PROSPECTS

当前NIRS技术面临四大挑战：光学检测机制不明确、痕量物质检测灵敏度不足、复杂基质交叉干扰、模型鲁棒性与泛化能力有限。未来需结合纳米增强光谱、微流控富集、深度学习及多模态数据融合等策略，提升检测性能并推动技术标准化应用。

CONCLUSIONS

NIRS技术凭借快速、无损、多组分同步分析的优势，已成为乳品有害物质检测的重要工具。通过前沿技术的深度融合，其有望在提升检测灵敏度、抗干扰能力及模型泛化性方面取得突破，为乳品质量安全监管体系提供关键技术支撑。