综述：近红外光谱技术在液态食品品质检测中的应用研究进展

这篇综述系统阐述了近红外光谱（NIR）技术结合化学计量学（chemometrics）在液态食品品质检测中的最新进展，涵盖牛奶、蜂蜜、食用油等典型样品的真实性鉴别（如掺假、产地溯源）和关键指标（如脂肪、蛋白质、多酚）定量分析。文章重点探讨了NIR技术非破坏性、高效的特点，以及机器学习（如SVM、PLS、CNN）在提升模型精度（R2>0.98）中的应用，同时指出当前技术存在灵敏度不足、模型泛化能力有限等挑战，为未来开发便携式智能检测设备（如智能手机NIR）提供方向。

　　

2 近红外光谱原理

近红外光谱（780-2500 nm）通过测量含氢基团（-OH、-CH等）对辐射的吸收特性，获取样品分子结构信息。其优势在于无需复杂前处理即可实现实时在线检测，如图1所示流程，光谱数据经预处理后结合化学计量学建模，可解析复杂液态食品体系中的重叠信号。

3 化学计量学方法

由于NIR吸收峰重叠严重，需依赖化学计量学进行降维和建模。常用方法包括：

• 预处理：SG平滑、标准正态变量变换（SNV）、多元散射校正（MSC）

• 建模算法：偏最小二乘回归（PLSR）预测成分含量（如牛奶脂肪R²=0.96），支持向量机（SVM）分类 adulteration（准确率>97%）

• 新兴技术：深度学习中卷积神经网络（CNN）在茶油溯源中达98.75%准确率

4 液态食品掺假与溯源

4.1 产地鉴别

• 海南茶油：结合气相色谱（GC）脂肪酸数据与NIR，CNN模型准确率97.92%

• 牛奶：便携式NIR结合FDLDA-KNN算法，产地分类准确率97.33%

4.2 掺假检测

• 花生油：PLSR模型识别掺假油，R²>0.93（表1）

• 果汁：SVR模型定量 adulteration百分比，误差<1.7%

5 液态食品品质应用

5.1 乳制品

微型NIR传感器可在线监测原料乳脂肪（RMSEP=0.15%）和蛋白质，酸奶生产批间差异降低70%。

5.2 蜂蜜

• 掺假鉴别：SVM模型区分天然与掺假蜂蜜达100%准确率

• 毒性检测：结合水生显微技术（aquaphotomics），PLS-DA模型识别有毒蜂蜜准确率92.73%

5.3 调味品

酱油发酵过程中NIR实时监测甲醛氮含量（R_p=0.9327），镇江香醋老化时间SVM模型分类准确率100%。

5.4 茶制品

• 普洱茶：SNV-CARS-PLS预测茶多酚含量（R_p=0.9088）

• 凉茶：ANN在线监测发酵细菌浓度（RPD=6.79）

5.6 果汁

蓝莓汁发酵胞外多糖ANN预测模型R_p=0.835，菠萝汁有机/无机分类准确率90.9%。

6 总结与展望

当前NIR技术面临模型转移困难、低浓度成分检测灵敏度不足等挑战。未来方向包括：

1. 开发高灵敏度微型设备（如智能手机NIR检测茶多酚RPD=5.24）

2. 融合多模态数据（如电子鼻+NIR提升酚类预测R²=0.79）

3. 优化深度学习算法（如CNN-LSTM预测二氢杨梅素R_p=0.99）