便携式与台式近红外光谱技术及高光谱成像技术在检测蜂蜜掺假中的对比评估 Aysenur-Betul Bilgin, Miguel Vega-Castellote, José-Antonio Entrenas, Irina Torres-Rodríguez, Didem-Peren Aykas, Pervin Basaran, Dolores Pérez-Marín

《Sensors》：Comparative Evaluation of Portable and Benchtop NIR Spectroscopy and Hyperspectral Imaging for Detecting Honey Adulteration Aysenur-Betul Bilgin, Miguel Vega-Castellote, José-Antonio Entrenas, Irina Torres-Rodríguez, Didem-Peren Aykas, Pervin Basaran and Dolores Pérez-Marín

　　**研究亮点**

**主要发现是什么？**
本研究对比评估了便携式和台式近红外（NIR）光谱系统以及高光谱成像技术在检测蜂蜜掺假方面的性能。结合主成分分析（PCA）和偏最小二乘判别分析（PLS-DA）的便携式和台式NIR技术，实现了100%的分类准确性、灵敏度和特异性，能够有效区分纯蜂蜜和掺假蜂蜜。

**这些发现的意义是什么？**
便携式NIR光谱技术能够实现快速、无损且现场检测蜂蜜的真伪，无需依赖实验室设施。该方法提供了一种成本效益高的筛查工具，有助于提升供应链中的质量控制并打击蜂蜜欺诈行为。

**摘要**
蜂蜜掺假仍然是确保食品真实性和可持续质量控制的重大挑战。本研究通过近红外（NIR）光谱和高光谱成像（HSI）技术，利用化学计量建模方法对纯蜂蜜和掺假蜂蜜进行了对比分析。共分析了180个蜂蜜样本，包括纯蜂蜜以及含有龙舌兰糖浆、蔗糖糖浆或水的不同浓度掺假样本，使用了两种NIR平台（MicroNIR? 1700和NIRS? DS2500）和一个HSI系统（Micro-Hyperspec? NIR相机）。主成分分析（PCA）和偏最小二乘判别分析（PLS-DA）分别用于探索性分析和监督分类。结果表明，这两种NIR技术均能有效区分纯蜂蜜和掺假蜂蜜，其中MicroNIR? 1700的灵敏度、特异性和准确率均达到100%。虽然HSI系统提供了额外的光谱-空间信息，但其性能略低于MicroNIR? 1700和NIRS? DS2500（整体准确率为93.10%，尤其是在掺假程度较低时）。总体而言，基于NIR的光谱技术是一种可靠、快速、无损且环保的蜂蜜真伪检测方法。特别是便携式NIR系统，为现场质量控制提供了经济高效且易于部署的解决方案。将其整合到常规质量控制流程中，有助于防止食品欺诈、保护消费者信心并促进行业可持续发展。

**1. 引言**
全球食品行业的快速增长提高了食品真实性的重要性。食品欺诈行为（如标签虚假标注、稀释、替换或添加未声明成分）不仅损害消费者信心，还扰乱市场公平性并威胁公共卫生[1]。蜂蜜作为一种高价值商品，由于其复杂的成分构成，检测难度较大，因此在全球范围内频繁受到掺假。欧盟对来自20个国家的320批蜂蜜样本的调查发现，46%存在掺假嫌疑，凸显了这一问题的普遍性[3]。尽管土耳其是仅次于中国的第二大蜂蜜生产国（2022年产量为114,886吨[4,5]），但蜂蜜真实性仍是一个主要挑战[5]。欧盟报告指出，93%的土耳其蜂蜜样本存在问题，而中国样本为74%，英国进口蜂蜜的掺假率为100%，这凸显了可靠真伪检测的必要性。蜂蜜由蜜蜂从植物花蜜中采集，因其营养价值和药用特性（如抗菌、抗氧化和抗炎作用）而受到重视[6,7,8]。然而，由于蜂蜜的主要成分（果糖、葡萄糖、麦芽糖和蔗糖）以及微量氨基酸、蛋白质、维生素、矿物质和酚类物质[13]容易被玉米糖浆、甘蔗糖浆、甜菜糖浆、大米糖浆或龙舌兰糖浆等物质掺假[9,10,11,12]，这严重影响了蜂蜜的营养价值和经济价值[14,15,16]。尽管传统的蜂蜜真实性检测方法（如碳同位素比分析和色谱技术）具有高分析精度，但它们通常成本高昂、耗时且需要熟练操作人员[14]。此外，不同花源之间的自然差异以及纯蜂蜜中的糖分与常见掺假物之间的化学相似性也增加了检测难度。这些限制表明，需要快速、实用且无损的分析方法来确保蜂蜜的真伪，同时保护全球的生产者和消费者。

光谱技术（包括近红外（NIR）、傅里叶变换红外光谱和激光诱导击穿光谱）以及高光谱成像（HSI）已成为评估食品真实性的强大工具[17,18,19,20]。其中，NIR光谱（NIRS）结合多变量分析已被证明是一种快速且成本效益高的蜂蜜真伪检测方法[21,22,23,24,25]。HSI通过整合光谱和空间信息，能够在像素级别识别成分变化和掺假情况[20]。NIRS和HSI通常与化学计量和机器学习算法（如PLS-DA、支持向量机（SVM）、k最近邻（kNN）和神经网络）结合使用，通常还需要进行光谱预处理以提升分类性能。例如，Shao等人[25]使用HSI结合LIBSVM分类方法检测含有果糖和蔗糖（5–40%）的蜂蜜掺假，准确率达到92.5%；Phillips和Abdulla[26]使用HSI结合kNN和SVM方法，对二元和多类掺假检测的准确率均超过95%。除了基于HSI的方法外，台式和便携式NIR系统在蜂蜜掺假检测中也表现出良好性能。Bertotto等人[18]报告称，使用带有了一阶导数和标准正态变量（SNV）预处理的PLS-DA模型的台式NIRS系统，在检测葡萄糖和米糖浆掺假时准确率达到100%，优于CNN-ANN模型；Whei Miaw等人[27]使用便携式MicroNIR? 1700结合一类软独立建模（SIMCA）模型、SNV预处理和Savitzky-Golay平滑处理，实现了100%的分类准确率。

**2. 材料与方法**
**2.1. 样本采集**
本研究共使用了60个纯蜂蜜样本，这些样本采集于2023至2025年间不同地理区域的蜜蜂养殖场，以确保样本在植物来源和环境条件上的多样性（表1）。所有样本均保存在塑料瓶中，室温下保存直至分析。用于掺假的物质包括两种龙舌兰糖浆、一种蔗糖糖浆和实验室级蒸馏水。龙舌兰糖浆购自西班牙科尔多瓦的当地市场，选择了两种不同颜色和成分的糖浆：浅色龙舌兰糖浆（Azucarera，含糖69克，每100克能量1207千焦/284千卡）和深色龙舌兰糖浆（Eco Wassy，含糖73.9克，每100克能量1292千焦/304千卡），这两种糖浆均采用有机农业方式生产。蔗糖糖浆的制备方法是将其溶解在350克蒸馏水中[28]，加热至100–130°C直至完全溶解，然后冷却至室温。所有糖浆和蒸馏水在使用前均保存在无菌塑料瓶中。掺假程度根据掺假物质（糖浆或水）与纯蜂蜜的重量百分比（w/w%）确定。从初始样本中选取10个纯蜂蜜样本用于制备掺假混合物。龙舌兰糖浆掺假时，将浅色和深色糖浆以5%、10%、20%、30%、40%和50%（w/w）的比例与蜂蜜混合；蔗糖糖浆掺假也采用相同比例；蒸馏水掺假混合物的浓度为5%、10%和20%（w/w）。表2总结了研究中使用的纯蜂蜜和掺假蜂蜜样本数量。所有混合物在室温下轻轻搅拌以确保均匀，直至获得均匀溶液。在采集光谱数据前，样品需在40°C下孵育过夜以溶解可能存在的结晶。

**2.2. 仪器与光谱采集**
**2.2.1. 近红外光谱采集**
近红外光谱采用两种仪器采集：便携式MicroNIR? Pro 1700（VIAVI Solutions, Inc., Santa Rosa, CA, USA）和台式FOSS NIRS? DS2500（FOSS, Hiller?d, Denmark）。MicroNIR? Pro 1700基于线性可变滤光片（LVF）技术，工作波长范围为908–1676 nm，光谱分辨率为6.2 nm，配备128像素的InGaAs光电二极管阵列探测器。测量采用透射模式进行，每次测量包含8毫秒的积分时间和100次扫描。仪器性能每10分钟使用白色和黑色参考标准进行验证。光谱采集使用MicroNIR? Pro 2.2软件版本（VIAVI Solutions, Inc., Santa Rosa, CA, USA）完成。

**2.2.2. 高光谱成像（HSI）：图像采集**
高光谱图像（HSI）采用反射模式采集，使用基于实验室的推扫式系统（图2a,b）。该系统包括Micro-Hyperspec? NIR相机（X系列，Headwall Photonics, Inc., Bolton, MA, USA），工作波长范围为889–1702 nm，配备8毫米镜头和320个空间像素的InGaAs传感器，可捕获67个光谱带。HSI进一步通过整合光谱和空间信息，实现成分变化和掺假的像素级识别。NIRS和HSI通常与化学计量和机器学习算法（如PLS-DA、SVM、kNN和神经网络）结合使用。采集前需进行光谱预处理以提升分类性能。例如，Shao等人[25]使用HSI结合LIBSVM分类方法检测含有果糖和蔗糖（5–40%）的蜂蜜掺假，准确率达到92.5%；Phillips和Abdulla[26]使用HSI结合kNN和SVM方法，对二元和多类掺假检测的准确率均超过95%。除了基于HSI的方法外，台式和便携式NIR系统在蜂蜜掺假检测中也表现出良好性能。Bertotto等人[18]报告称，使用带有第一导数和SNV预处理的PLS-DA模型的台式NIRS系统在检测葡萄糖和米糖浆掺假时准确率达到100%，优于CNN-ANN模型；Whei Miaw等人[27]使用便携式MicroNIR? 1700结合SIMCA模型、SNV预处理和乘法散射校正及Savitzky-Golay平滑处理，实现了100%的分类准确率。

**3. 结论**
尽管先前的研究表明台式和便携式NIR以及基于NIR的HSI都能高精度检测蜂蜜掺假，但大多数研究仅关注单一分析平台、不同样本集或不同的化学计量方法，限制了直接比较的可能性。本研究的主要目的是在相同实验条件下，使用一致的化学计量工作流程，系统性地对比多种NIR配置（包括台式和便携式仪器）与基于NIR的HSI。这种比较对于明确高精度实验室分析与快速现场筛查之间的操作界限至关重要。通过评估低掺假程度（≤10%）下的分类灵敏度和实际应用性，本研究为蜂蜜行业的相关方提供了明确的决策框架，确定了最可靠且经济高效的常规质量控制工具。因此，本研究架起了实验室研究与实际现场蜂蜜真实性控制之间的桥梁。便携式和台式近红外光谱仪以及HSI相机的仪器特性。2.3. 数据分析从便携式和台式近红外设备以及HSI系统获取的数据是使用标准化的化学计量工作流程进行分析的。首先，通过图像处理技术从HSI图像中减去光谱数据，以分离每个样本的代表性光谱信息。然后使用多变量统计方法对来自所有三种仪器的数据集进行预处理和分析。所有的数据处理和化学计量分析都是在配备有PLS Toolbox版本9.5.1（Eigenvector Research Inc., Manson, WA, USA）的MATLAB（版本R2024a；MathWorks, Natick, MA, USA）中进行的。2.3.1. 从HSI图像中提取光谱数据应用平场校正以实现每个像素的均匀光度响应。然后使用标准的平场校正公式（公式（1）[28]计算每个像素的反射率值（R）[28]。 （1）其中Isample是样本的原始强度，Idark是暗参考值，Iwhite是白参考值。校正后，在每个图像中手动选择感兴趣区域（ROIs），以分离均匀的蜂蜜区域并排除与边缘相关的背景区域和伪影（例如，阴影或杯状反射），这些是圆形样本架固有的。然后将选定的ROI从3D高光谱立方体（行×列×波长）展开为2D矩阵（像素×波长）。通过平均ROI中所有像素的光谱数据来计算每个样本的平均光谱。为了最小化光谱噪声并提高信号质量，仅使用948–1690纳米的波长范围，即63个光谱变量，进行进一步分析。2.3.2. 光谱数据的探索性分析首先使用PCA对从每种设备（便携式和台式近红外仪器以及HSI相机）获取的光谱数据进行探索性分析。通过对光谱数据应用标准正态变量（SNV）和去趋势（DT）方法[29]进行预处理，以提高信号质量并减少散射效应，随后进行一阶导数处理和均值中心化。通过评估Q残差和Hotelling’s T2统计量[30]来识别潜在的光谱异常样本。由于异常值可能对模型准确性产生负面影响，如果去除它们是合理的，则会将其识别并移除。Q残差和Hotelling’s T2的置信限均设置为95%。2.3.3. 开发用于纯蜂蜜和掺假蜂蜜分类的判别模型在去除光谱异常值后，根据样本与其群体中心的光谱距离（从最小到最大排序）系统地选择样本，以构建校准集和验证集，遵循Shenk和Westerhaus提出的方法[31]。这种结构化的选择确保了校准集和验证集能够代表每种仪器数据集中的全部光谱变异性。为了保持类别独立性并防止样本重叠，十个纯蜂蜜样本专门用于制备掺假样本，并从纯蜂蜜类别中排除。为了确保分布平衡，保持了恒定的组比例：每六个样本中有一个（约20%）被分配到验证集（n = 29），而剩余的约80%组成校准集（n = 140）。具体来说，在两个子集中，蔗糖、龙舌兰和水掺假样本的比例保持为2:1:1（校准集中为50:25:25，验证集中为10:5:5），同时也有相应数量的纯蜂蜜样本。这种方法应用于使用MicroNIR? 1700获取的所有蜂蜜光谱。然后为Micro-Hyperspec? NIR相机和NIRS? DS2500选择了相同的样本集，以便直接比较结果。使用偏最小二乘-判别分析（PLS-DA）[32,33,34,35]对纯蜂蜜和掺假蜂蜜样本进行分类。光谱数据经过预处理，以最小化噪声、基线偏移、散射和路径长度变化等不良影响，同时增强对分类有用的化学信息。评估的光谱预处理技术包括乘法散射校正（MSC）、Savitzky-Golay（SG）导数、标准正态变异（SNV）、去趋势（DT）和均值中心（MC）。测试了这些技术的一些组合，以确定每种仪器最有效的预处理策略。SNV和DT用于散射校正[29]。SG平滑用于减少随机噪声、消除垂直偏移并校正线性倾斜的基线，MC用于从光谱中去除常见信息，以增强与分类相关的变异[36,37]。所有分类模型都是使用Venetian-blind方法进行8折交叉验证构建的，以确保样本群体在各个折叠中的平衡和系统表示。使用以下指标评估交叉验证模型的性能：灵敏度（真正例（TP）率或召回率）、特异性（真负例（TN）率和准确性[38]。为了计算分类的准确性，使用了以下公式（公式（2）[28]： （2）其中TP是真正例，TN是真负例，FP是假正例，FN是假负例。根据上述统计量选择每种仪器的最佳模型，然后使用验证集中的样本进行验证。图3表示本研究中使用的实验工作流程的示意图。图3. 便携式和台式NIRS及高光谱成像分析的示意图。3. 结果 3.1. 光谱特征从MicroNIR? 1700、NIRS? DS2500和Micro-Hyperspec? NIR相机系统获得的纯蜂蜜样本和纯掺杂物（蔗糖糖浆、蒸馏水和深色及浅色龙舌兰糖浆）的平均原始光谱显示在图4中。使用Micro-Hyperspec? NIR相机获得的平均光谱及其相应的标准偏差范围显示在图5中。图4. 来自MicroNIR? 1700、Micro-Hyperspec? NIR相机和NIRS? DS2500的所有蜂蜜样本的原始光谱收集。图5. 分析样本的平均光谱及其相应的标准偏差范围，展示了Micro-Hyperspec? NIR光谱的变异性。特征吸收带（Log 1/R）主要出现在近红外区域。在NIRS? DS2500的光谱中，关键峰出现在1460、1778、1928、2102、2279和2326纳米，分别对应O-H伸缩/弯曲、C-O伸缩和C-H/CH2组合，其中水在1467和1928纳米显示出主导特征[10,38,39,40]。蜂蜜和掺杂物之间最明显的分离发生在1925–1945纳米附近，这归因于O-H伸缩和弯曲。NIRS? DS2500在1900–2500纳米区域表现出更尖锐的峰特征。这与它更高的光学分辨率（2纳米）一致，使其区别于便携式设备。MicroNIR? 1700在1200到1467纳米之间检测到一致的峰（蜂蜜为1467纳米，龙舌兰和蔗糖糖浆为1460纳米，水为1453纳米）。Micro-Hyperspec? NIR相机在约1462纳米处显示出一个主要特征，可以观察到深色和浅色龙舌兰之间的光谱差异。蒸馏水和蔗糖糖浆由于含有高比例的水分且缺乏增强蜂蜜或龙舌兰糖浆吸收的有机化合物，因此显示出较低的吸光度[41]。与其他设备相比，检测到的峰数量较少可能归因于高光谱相机的有限光谱分辨率。总体而言，蜂蜜的典型近红外吸收包括约1450纳米（O-H泛音）、约1765纳米（CH2泛音）、约1940纳米（O-H伸缩/弯曲）、约2100纳米（O-H变形/C-O伸缩）和约2280纳米（C-H伸缩/变形）[42]。3.2. PCA结果MicroNIR? 1700的Hotelling’s T2限值为8.08，NIRS? DS2500的Hotelling’s T2限值为8.06，Micro-Hyperspec? NIR相机的Hotelling’s T2限值为6.13。相应的Q残差限值分别为MicroNIR? 1700的18.90 × 10?4，NIRS? DS2500的3.13 × 10?4，Micro-Hyperspec? NIR相机的3.40 × 10?4。一个纯蜂蜜样本在MicroNIR? 1700和NIRS? DS2500的数据集中超过了Hotelling’s T2限值。这种异常可能是由于样本体积减少导致吸光度低以及存在气泡，从而影响了光谱质量。因此，该样本从所有数据集（MicroNIR? 1700、NIRS? DS2500和Micro-Hyperspec? NIR相机）中移除，使有效样本总数减少到179个。对于MicroNIR? 1700数据集选择了前三个主成分，而对于Micro-Hyperspec? NIR相机和NIRS? DS2500选择了前两个主成分。通过交叉验证图的结果证明选择这些主成分是合理的，该图显示在校准均方根误差（RMSEC）和交叉验证均方根误差（RMSECV）在第二个和第三个主成分之后出现了拐点。这表明进一步的主成分主要代表噪声而不是结构变异。从MicroNIR? 1700、NIRS? DS2500和Micro-Hyperspec? NIR相机分析获得的二维PCA得分图（PC1 vs. PC2）清楚地展示了掺假蜂蜜和纯蜂蜜样本的聚类（图6）。在所有情况下，PC1占所有仪器总变异的60%以上。MicroNIR? 1700和NIRS? DS2500数据集在类别之间的分离更为明显，表明在无监督空间中的判别能力更强。相比之下，Micro-Hyperspec? NIR相机数据集在类别之间的重叠稍大。总体而言，PCA结果表明这三种技术都能够捕捉到与蜂蜜掺假相关的变异。图6. MicroNIR? 1700、Micro-Hyperspec? NIR相机和NIRS? DS2500分析的蜂蜜样本的第一（PC1）与第二（PC2）主成分得分的2D图。加载图显示，类别分离中最有影响力的变量位于与水和碳水化合物吸收相关的光谱区域（图7）。对于MicroNIR? 1700系统，PC1（64.91%）在1434纳米处显示出一个主导峰，PC2（34.18%）在1508纳米处，PC3（0.59%）在1403纳米处；这些都在O-H泛音和C-H组合区域内[43]。Micro-Hyperspec? NIR相机显示出类似的趋势，PC1（60.32%）在1390纳米处达到峰值，PC2（38.51%）在1474纳米处达到峰值，后者与较高的C-H/N-H吸收相关[42]。NIRS? DS2500由于具有更宽的光谱范围，识别出多个关键带：PC1（82.03%）在1400、1899、2164、2291和2372纳米，PC2（13.02%）在1927和2473纳米。这些包括水的O-H泛音、水的组合带以及糖和其他有机化合物的C-H/C-O组合带[43,44]。这些结果表明，与水分相关的吸收以及与碳水化合物相关的带是纯蜂蜜和掺假蜂蜜样本之间光谱变异的主要原因。图7. 每种设备分析的所有蜂蜜样本的主成分（PC1、PC2和PC3）的加载值。水平虚线（y = 0）表示零加载值。3.3. 开发用于纯蜂蜜和掺假蜂蜜分类的PLS-DA模型用于开发分类模型的校准集包括140个样本：40个纯蜂蜜样本、50个蔗糖掺假蜂蜜样本、25个龙舌兰掺假蜂蜜样本和25个水掺假蜂蜜样本。确定MicroNIR? 1700、NIRS? DS2500和Micro-Hyperspec? NIR相机的最佳分类阈值为0.54、0.68和0.61。每种设备的最佳预处理方法分别为MicroNIR? Pro 1700的MSC + SG一阶导数（窗口大小：3点，多项式阶数：2）+ MC，NIRS? DS2500的SG平滑（7点，多项式阶数：1）+ MC，以及Micro-Hyperspec? NIR相机的SG平滑（7点，多项式阶数：1）+ MC（表4）。图8提供了预处理步骤（SNV、DT、一阶导数和MC）之前和之后的所有光谱轮廓，以展示散射效应和基线偏移的减少。表4. 不同设备上用于检测掺假蜂蜜的交叉验证的模型分类性能。图8. MicroNIR? 1700、Micro-Hyperspec? NIR相机和NIRS? DS2500的原始数据和PCA及PLS-DA后的预处理结果。模型优化基于最小RMSECV进行，选择了3-4个潜在变量（表4）。交叉验证指标（表4），包括灵敏度、特异性和总体准确性，表明所有三种设备的性能都很稳健。在食品安全的背景下，掺假蜂蜜被指定为正类，即真正例对应于正确识别的掺假样本。三种设备获得的结果表明它们具有高能力正确识别纯蜂蜜样本，这反映在它们的高准确性上。灵敏度值反映了设备正确检测掺假蜂蜜的能力，在所有设备中都保持较高水平，尤其是MicroNIR? Pro 1700和NIRS? DS2500。对开发出的模型进行的交叉验证结果的深入研究表明，不同设备在误分类率上存在差异。对于MicroNIR? Pro 1700设备，一个纯蜂蜜样本被错误地分类为掺假蜂蜜，而五个掺假样本被错误地分类为纯蜂蜜。这些被错误分类的掺假样本包括两个含5%蔗糖的样本、一个含20%蔗糖的样本以及两个含10%光龙舌兰糖的样本。NIRS? DS2500的分类模型表现最佳，准确率、特异性和灵敏度均为100%。所有纯蜂蜜和掺假蜂蜜样本都被正确识别，没有误分类现象。对于Micro-Hyperspec? NIR相机，有十一个掺假样本和十个纯蜂蜜样本被错误分类，分别对应89个正确分类的掺假样本和30个正确分类的纯蜂蜜样本。这表明其误分类率高于其他设备。最佳分类模型的回归系数值揭示了区分纯蜂蜜和掺假蜂蜜的关键光谱特征（图9）。对于MicroNIR? Pro 1700，在930、1155、1403、1447和1608纳米处观察到几个显著的吸收峰。这些带与水中的O-H伸缩泛音和碳水化合物中的C-H伸缩组合相关，这两种现象对掺假引起的成分变化非常敏感。同样，Micro-Hyperspec? NIR相机在1247、1438和1606纳米处也表现出特征性的吸收特征。NIRS? DS2500在451、1937、2112、2271和2450纳米处识别出峰，表明其具有更广泛的光谱覆盖范围和灵敏度，特别是在受羟基、碳水化合物和少量含氮化合物影响的区域。这些结果与文献报告一致。根据Frizon等人的研究[45]，1344–1699纳米的光谱范围主要由C-H、O-H和N-H基团的伸缩和变形振动主导，这些基团在蜂蜜中的酚酸和其他生物活性化合物中很常见。此外，Cascant等人[46]发现1360–1450纳米区域的带主要与C-H和O-H振动相关。他们还发现1570纳米以下的区域也包含N-H泛音的贡献。图9展示了使用MicroNIR? Pro 1700、Micro-Hyperspec? NIR相机和NIRS? DS2500开发的最佳分类模型的回归系数。除了这些特征外，451纳米波段与颜色相关化合物相关，反映了蜂蜜中色素和酚类含量的变化[47]。1900–1950纳米的光谱区域也被广泛认为与强O-H组合带相关，主要与蜂蜜中的水分含量和氢键相互作用有关[47]。这一区域对于水分评估和掺假检测至关重要。2000至2400纳米的区域与C-H、O-H和C-O键的组合振动相关，这些键与葡萄糖、果糖和蔗糖等碳水化合物结构密切相关[42]。这些带对于区分真蜂蜜和掺假蜂蜜尤为重要，因为它们反映了糖成分的变化以及糖在蜂蜜基质中与其他分子的相互作用方式。变量重要性（VIP）分数决定了哪些带对模型影响最大。接近或大于1的值表示显著贡献。对于MicroNIR? Pro 1700系统，VIP分数证实该模型依赖于1390–1450纳米和1600–1650纳米区域，这些区域对应于O-H伸缩（水/碳水化合物）和C-H振动的第一个泛音，确保分类基于化学特征而非噪声（图10）。同样，Micro-Hyperspec? NIR系统在1450纳米和约1600纳米处识别出关键贡献，这些位置与O-H和C-H相关的吸收有关。相比之下，NIRS? DS2500系统覆盖了更广泛的光谱范围，不仅在1900纳米附近（与水吸收相关），还在2000–2500纳米区域显示出额外的关键区域，该区域与葡萄糖和果糖等碳水化合物结构密切相关（图10）。蓝线代表VIP分数值，红色虚线表示1.0的阈值。高VIP值与显著的回归系数之间的重叠表明模型成功识别了与水分和糖含量相关的化学显著光谱特征，这支持了它们在评估蜂蜜质量和检测掺假方面的可靠性。MicroNIR?、NIRS? DS2500和Micro-Hyperspec? NIR相机的研究结果一致强调1400–1600纳米区域是蜂蜜鉴定的关键诊断窗口，反映了O-H和C-H键的相互作用。此外，NIRS? DS2500在2300纳米以上表现出较高的灵敏度，捕获了C-H伸缩和变形组合带，从而增强了掺假检测能力。因此，将仪器结果与已建立的光谱分配相结合，表明无论是手持式、成像式还是台式NIR光谱技术，都能为蜂蜜的分类和掺假检测提供稳健且互补的见解。

3.4. PLS-DA模型的外部验证
为了评估模型的稳健性和泛化能力，外部验证集包含了29个独立样本，包括九个纯蜂蜜样本、十个掺蔗糖的蜂蜜样本、五个掺龙舌兰糖的蜂蜜样本和五个掺水的蜂蜜样本。外部验证的结果如表5所示。对于所有三种设备，掺假蜂蜜样本的预测结果始终高于分类阈值，而纯蜂蜜样本的预测结果低于阈值，表明不同设备之间能够成功区分。MicroNIR? Pro 1700的表现最为明显：掺假样本明显高于阈值，而纯蜂蜜样本远低于阈值，准确率、特异性和灵敏度均为100%，突显了该设备的优越性能和稳健性（图11）。

表5. 不同设备上检测掺假蜂蜜的模型分类性能

图11. 使用MicroNIR? 1700、NIRS? DS2500和Micro-Hyperspec? NIR相机对纯蜂蜜与掺假蜂蜜的最佳模型进行外部验证的结果。Micro-Hyperspec? NIR相机表现出有效的区分能力，尽管对纯蜂蜜的分类 margin 较小，导致两个样本被错误分类，分别是10%光龙舌兰糖浆掺假的样本和一个纯蜂蜜样本。这些结果表明，由于龙舌兰糖浆的糖组成与真蜂蜜相似，因此在低浓度下检测其掺假特别具有挑战性。根据Ciursa和Oroian的研究[48]，这种难度源于龙舌兰糖浆中的高果糖含量及其较高的果糖/葡萄糖比例。Micro-Hyperspec? NIR相机的外部验证结果显示准确率为93.10%，灵敏度为95%，特异性为88.00%，整体表现稳健，只是对边界误分类的敏感性略高。NIRS? DS2500也表现出高预测性能，准确率为93.10%，灵敏度为100%，正确识别了所有掺假样本；然而，其特异性为78.00%，因为有两个纯蜂蜜样本被错误地分类为掺假样本。虽然NIRS? DS2500在确保检测掺假蜂蜜方面非常可靠，但它可能对纯蜂蜜成分的自然变化更为敏感，这可能导致其分类 margin 比MicroNIR? Pro 1700更紧密或重叠。

4. 讨论
结果表明，MicroNIR? Pro 1700在区分纯蜂蜜和掺假蜂蜜方面提供了最可靠的性能（灵敏度、特异性和准确率），达到了最高的灵敏度、特异性和准确率（100%）。值得注意的是，在交叉验证中，NIRS? DS2500提供了最佳的分类结果，而MicroNIR? Pro 1700提供了稳健的预测模型，达到了100%的灵敏度、特异性和准确率。此外，Micro-Hyperspec? NIR相机在掺假样本的误分类率上略高。这种差异主要归因于HSI相机的非接触式特性，这引入了由大气干扰、环境噪声和路径长度波动引起的额外变异性。尽管存在这些限制，HSI系统的性能仍然具有竞争力。在感兴趣区域（ROI）内应用空间平均显著提高了信噪比，并能够捕捉样本的异质性。因此，该系统有效检测了与O-H和C-H泛音相关的关键光谱特征，实现了90%的高分类准确率。这些发现与先前的研究结果一致，这些研究报道的基于NIR的蜂蜜掺假检测准确率在92.5%到95%之间[25,26]，具体取决于掺杂物类型、光谱范围和建模方法。观察到的差异突显了光谱精度和空间信息之间的权衡：基于点的光谱仪提供更高的光谱稳定性，而HSI提供了额外的空间信息。外部验证结果进一步证实了开发模型的稳健性。MicroNIR? Pro 1700在独立测量中表现出一致的性能，加强了其作为快速可靠蜂蜜鉴定工具的适用性。相比之下，虽然Micro-Hyperspec? NIR系统和NIRS? DS2500仍然非常有效，但它们在边界误分类方面略显敏感，特别是在龙舌兰糖浆掺假的情况下。这可能是由于龙舌兰糖浆和天然蜂蜜之间的光谱相似性，导致在重叠的O-H吸收区域难以区分。尽管结果令人鼓舞，但仍需考虑一些限制。本研究中调查的掺假情况仅限于蔗糖糖浆、龙舌兰糖浆和蒸馏水，并且浓度可控。虽然这些掺杂物具有相关性且常见，但现实中的蜂蜜欺诈往往涉及更广泛的糖浆（如玉米糖浆和米糖浆）和更复杂的多组分掺假策略。例如，具有相似化学组成的掺杂物可能会产生重叠的光谱特征，从而可能降低约5-15%的分类准确率，尤其是在决策边界附近。此外，多组分掺假可能导致模型不确定性增加和假阴性结果的可能性增加。因此，尽管开发出的模型在受控条件下表现强劲，但它们在更复杂和多样化的掺假情况下的泛化能力需要进一步研究。从实际应用的角度来看，所提出的光谱技术相比传统分析方法具有显著优势。传统方法如高效液相色谱和同位素比质谱通常需要复杂的样品制备、熟练的操作人员，并且耗时较长。相比之下，基于NIR的技术能够快速、无损地进行分析，几乎不需要或完全不需要样品制备，几秒钟内即可得出结果，大大减少了分析时间和运营成本，提高了通量，使其非常适合大规模筛查应用。特别是像MicroNIR? Pro 1700这样的便携式设备，为供应链、生产设施和监管检查点提供了实用的现场分析解决方案。它们的易用性和快速响应能力使其非常适合常规的质量控制和欺诈预防。另一方面，成像系统通过实现空间分辨分析提供了额外的优势。这种能力对于检测不均匀的掺假模式或批量样本中的局部变化特别有价值，这些情况无法通过基于点的测量方法捕捉到。未来的研究应侧重于扩展数据集，包括更多种类的掺杂物及其在不同浓度下的组合。增加光谱库的多样性，并结合先进的机器学习技术，可以进一步提高模型的稳健性和泛化能力。最终，这些发展可能支持开发出通用的、可在现场部署的筛查系统，以全面评估蜂蜜的真实性，从而增强食品安全、监管执行和消费者信心。

5. 结论
本研究证明，NIR光谱和高光谱成像系统是检测蜂蜜掺假的有效且可靠的工具。外部验证显示，便携式MicroNIR? Pro 1700的准确率为100%，Micro-Hyperspec? NIR相机的准确率为93.10%，台式NIRS? DS2500的准确率为93.10%，证实了开发模型的稳健性。除了分析上的成功之外，能够快速且无损地检测掺假对于防止食品欺诈、确保公平的经济实践以及保护消费者信任和健康至关重要。在评估的系统中，MicroNIR? Pro 1700因其便携性和速度而在工业应用中最为实用。同时，Micro-Hyperspec? NIR相机为研究提供了额外的价值，而NIRS? DS2500仍适用于实验室质量控制。总体而言，这些技术具有强大的潜力，可以支持蜂蜜行业的真实性保证和可持续发展。未来的研究可以将开发的模型扩展到更复杂和未知的掺假情况，以进一步增强其在实际市场条件下的适用性。