光谱技术结合化学计量学与机器学习用于小麦粉品质评价：最新综述

《Food Control》：Spectroscopic techniques combined with chemometrics and machine learning for quality assessment of wheat flour: an up-to-date comprehensive review

　　

# 摘要

快速、无损检测小麦粉的应用日益广泛，用于成分控制、过程监测、真实性检验和安全筛查。本综述系统评估了2020至2026年间发表的主要同行评审研究，涵盖近红外、近红外高光谱/多光谱成像、中红外/傅里叶变换红外、拉曼、荧光和太赫兹光谱技术，重点分析现代化学计量学（包括机器学习方法）对分析可靠性的影响。与主要关注近红外/中红外应用的近期综述不同，本文比较了多种光谱模态的化学信息含量和实际局限性；探讨了预处理、多元校准与分类、变量选择、单类建模、多块/多路分析、可解释性、校准转移和数据融合；并对验证证据的强度进行了分级评估。目前最有力的支持来自使用代表性校准集和独立样本时，基于近红外的主要成分属性（如蛋白质和水分）预测。面团功能性的预测仍较难迁移，因为流变性能源于成分因素与加工因素的相互作用。对于掺假、真实性、过敏原和真菌毒素，许多研究仍依赖实验室加标样本和内部验证；因此所报告的准确性未必能转化为市场监管效果。未来进展需要独立的外部验证、明确报告灵敏度、特异度、检出限和浓度范围、具有代表性的商业样本、稳健的模型转移程序、开放的基准数据集以及对预测变量进行化学合理性的解释。

# 引言

小麦粉是全球面包、面条、意面、饼干、蛋糕及众多主食产品的基本原料。其质量直接决定最终谷物产品的口感、营养价值、加工效率和安全合规性（Delcour & Hoseney, 2010; Wieser, 2007）。小麦粉质量是一个综合指标，主要包含三个紧密相关维度，即成分质量、加工质量和安全质量。就成分质量而言，面粉含有多种必需成分，如蛋白质、淀粉、损伤淀粉、水分、灰分、膳食纤维、酚类化合物和矿物质元素（Delcour & Hoseney, 2010）。加工质量反映面粉在面团混合、发酵、整形和烘焙过程中的技术性能。关键评价指标涵盖面筋特性、吸水率、面团发育时间、面团稳定性、延伸性、淀粉糊化性能和α-淀粉酶活性，这些指标共同决定面包体积和内部组织结构等烘焙性能（Delcour & Hoseney, 2010; Wieser, 2007）。安全质量主要指真菌毒素污染、非法掺假、未授权使用食品添加剂和漂白剂，以及过敏原交叉污染（Codex Alimentarius Commission, 1995; European Commission, 2023; U.S. Food and Drug Administration, 2010）。

任何质量维度的缺陷都可能对产品质量和食品安全产生不利影响。蛋白质含量不足或面筋结构薄弱可能导致面团加工性差和烘焙质量降低（Delcour & Hoseney, 2010; Wieser, 2007）。水分过高会加速微生物生长并缩短面粉保质期。真菌毒素污染超过法规或建议限值会对消费者健康构成风险。欧盟已对相关产品中DON设定法定最高限量，而美国食品药品监督管理局则对小麦成品和谷物中的DON提供建议限量（European Commission, 2023; U.S. Food and Drug Administration, 2010）。此外，掺入未授权的矿物粉末、与漂白相关的化学物质或低成本替代材料会造成经济损失，并可能引发安全或合规问题（Codex Alimentarius Commission, 1995; European Commission, 2023）。鉴于需要大规模、实时和过程集成的质量监测，快速无损方法是对传统实验室检测的宝贵补充。

传统检测方法包括用于蛋白质测定的凯氏定氮法、用于面筋测定的湿洗法、用于真菌毒素检测的色谱法和免疫分析，以及标准流变测试如粉质仪、拉伸仪和降落数值测定，可以为质量评估和行业监管提供准确可靠的参考数据（Cereals & Grains Association, n.d.; International Association for Cereal Science and Technology, n.d.; International Organization for Standardization, 2013）。然而，这些传统方法存在明显局限性，包括分析时间长、样品制备具有破坏性或劳动密集、依赖训练有素的操作人员和试剂，以及需要标准化的实验室条件。这些缺点使其难以满足现代面粉加工和贸易行业高通量和实时监测的需求（Cereals & Grains Association, n.d.; International Association for Cereal Science and Technology, n.d.; International Organization for Standardization, 2013）。在此背景下，光谱技术已成为快速食品质量筛查的有前景辅助工具。

光谱信号的物理起源取决于技术类型，不应简单地概括为分子振动。近红外和中红外光谱以振动吸收为主：近红外主要包含宽泛的倍频和组合带，而中红外主要探测基本伸缩和弯曲振动模式。拉曼光谱也通过非弹性散射报告分子振动。相比之下，荧光源于荧光团的电子激发和辐射弛豫。这些互补机制解释了为什么近红外、中红外、拉曼、荧光、高光谱成像和太赫兹测量对小麦粉中蛋白质、淀粉、脂质、水分、添加剂和基质变化的响应不同（Pasquini, 2018; Workman & Weyer, 2012; Li-Chan, 1996; Lakowicz, 2006）。

化学计量学为从多元测量中提取化学信息提供了定量框架，涵盖实验设计、预处理、潜变量建模、校准、分类、验证和解释。在本综述中，机器学习被视为可整合到现代化学计量学工作流程中的一类计算方法，而不是完全独立的学科。经典的潜变量工具如PCA、PCR和PLS仍然重要，因为它们能处理高度共线的谱图并提供紧凑的表示，而SVM、随机森林、神经网络和卷积架构在样本量和验证设计支持其复杂性的情况下添加了灵活的非线性决策函数（Geladi & Kowalski, 1986; Wold et al., 2001; Cortes & Vapnik, 1995; Breiman, 2001; LeCun et al., 1998）。这种框架也阐明了为什么仅算法新颖性是不够的：采样、参考方法质量和验证决定了模型是捕捉可迁移的化学还是数据集特定的相关性。

2026年一篇密切相关发表于《食品化学》的综述专门聚焦小麦粉和小麦基产品的近红外和中红外光谱技术（Espa?a-Fari?as et al., 2026）。本综述刻意采用更广泛的范围和不同的方法学。首先，它比较了NIR/MIR与拉曼、荧光、太赫兹光谱和光谱成像，而非仅限于红外模态。其次，它评估了应用综述中通常代表性不足的高级化学计量学主题，包括单类分类、多元曲线解析、多路和多块分析、数据融合、可解释性、校准转移和泄漏感知验证。第三，它通过明确检查样本代表性、独立验证、低水平掺假性能和跨设备稳健性，区分了分析可行性与部署准备度。这些特征构成了本综述综合的附加价值。

为使比较透明，我们采用为本综述专门开发的四级证据框架。A级表示使用来自不同领域真正独立样本的外部或部署导向证据，如另一磨坊、地区、收获期、仪器、实验室或前瞻性现场设置。B级表示未用于预处理选择、变量选择或模型调优的独立样本级或批次级测试集，但仍处于同一整体研究项目内。C级表示来自公共数据集的内部交叉验证或内部保留集，因此证明的是实验室可行性而非外部泛化能力。D级表示概念验证证据，使用小型或狭窄设计的数据集，样本独立性不明确，存在严重的重复样本/像素泄漏风险或验证有限。此层级是综述综合工具，而非监管分级标准；分配取决于已发表报告的完整性，因此应相对解读而非视为绝对质量分数。

## 章节摘要

### 近红外、傅里叶变换近红外和便携式近红外光谱

近红外光谱（780–2500 nm）捕获O-H、N-H、C-H和C=O化学键的振动信号用于食品成分检测（Pasquini, 2018; Workman & Weyer, 2012）。对于小麦粉，特定波长范围对应蛋白质、淀粉和水分信号。由于近红外的宽泛和重叠吸收带，无法实现单一成分检测，因此成分分析需要多元校准方法（Geladi & Kowalski, 1986; Pasquini,

#### 蛋白质含量

小麦粉蛋白质是研究最广泛的光谱终点之一，近红外是用于此目的证据最充分例行的光谱方法，因为与蛋白质相关的N-H/酰胺信号与总蛋白质强共变。Altay和Kahriman（2026）比较了用于小麦蛋白质和面筋预测的PLS和SVM模型；使用SNV预处理，其SVM蛋白质模型在报告的测试集上实现了R2=0.99和RMSEP=0.21%。在该研究中，面粉模型的执行优于完整Validation Design and Over-Optimistic Performance EstimationInvalid validation design is the most common defect in flour spectral research. If a complete dataset without an independent test set is used for cross-validation, it is highly likely to overestimate the model performance (Westad & Marini, 2015). Mixing parallel spectral data from the same flour batch in both the calibration set and the validation set will further weaken the model's generalization ability for new samples (Kaufman et al., 2012; Westad & Marini, 2015). Fig. 5 shows that in the

## 挑战与未来展望

本节基于现有面粉光谱研究结果总结已验证的研究障碍和未来研究方向：(i) 标准化外部验证流程并扩展样本多样性。目前大多数研究使用实验室制备样本和随机交叉验证方法，导致高估模型性能且无法满足工厂实际应用要求。未来研究应采用独立测试样本

## 总结

小麦粉光谱学已从简单的可行性演示发展为更广泛的分析生态系统，包括便携式仪器、光谱成像、现代化学计量学、数据融合和部署导向验证。最具说服力的证据支持当校准集具有代表性且使用独立样本时，NIR/FT-NIR对蛋白质和水分等丰富成分属性的预测。HSI/MSI为异质掺杂物添加空间信息

## CRediT作者贡献声明

Lv, Mengchao: 软件、方法学、调查。He, Hong-Ju: 撰写—审阅与编辑、项目管理、方法学、资金获取、概念化。Zhou, Bing: 软件、方法学、调查。Ou, Xingqi: 项目管理、资金获取、概念化。Wang, Yuling: 软件、方法学、调查。Guo, Jingli: 方法学、调查。Obadi, Mohammed: 软件、方法学、调查。Zhang, Qi: 撰写—原稿、方法学、调查

## 未引用参考文献

Bai et al., 2025; Barbon Junior et al., 2020; Borràs et al., 2015; Du et al., 2022a; Du et al., 2022b; Lai et al., 2026; Savitzky and Golay, 1964; Strani et al., 2025.

## 利益冲突声明

作者声明不存在已知的财务利益或个人关系可能影响本文所报告的工作。

## 致谢

作者感谢以下项目的资金支持：河南省农业品种联合研究项目（编号：2022010101）、中原学者计划（编号：244000510003）、河南省科技厅项目（编号：2026410707000054、编号：2025410707000305、编号：2024410707000136）。

Zhang Qi|Lv Mengchao|Zhou Bing|He Hong-Ju|Wang Yuling|Ou Xingqi|Obadi Mohammed|Guo Jingli