《Microchemical Journal》：Detection of adulteration in Amorphophallus muelleri blume flour using hyperspectral imaging: Toward a green analytical approach
编辑推荐：
哈尼姆·祖赫罗图尔·阿玛纳（Hanim Zuhrotul Amanah）、雷扎·阿迪塔玛·普特拉·赫尔南达（Reza Adhitama Putra Hernanda）、许恩秀（Hoonsoo Lee）、周英宽（Byoung-Kwan Cho）、鲁迪亚蒂·埃维·马西托（Rudiat
哈尼姆·祖赫罗图尔·阿玛纳（Hanim Zuhrotul Amanah）、雷扎·阿迪塔玛·普特拉·赫尔南达（Reza Adhitama Putra Hernanda）、许恩秀（Hoonsoo Lee）、周英宽（Byoung-Kwan Cho）、鲁迪亚蒂·埃维·马西托（Rudiati Evi Masithoh）、埃尼·哈马亚尼（Eni Harmayani）、斯里·拉哈约（Sri Rahayoe）
印度尼西亚日惹加查马达大学（Universitas Gadjah Mada）农业技术学院农业与生物系统工程系，邮编55281
摘要
绿色分析化学（Green Analytical Chemistry, GAC）促进了快速、无损的食品检测方法的发展，这些方法替代了传统的食品鉴定手段。本研究探讨了在1000–1800纳米波长范围内工作的高光谱成像（Hyperspectral Imaging, HSI）技术，结合化学计量学和深度学习方法，用于检测和量化Amorphophallus muelleri Blume粉（又称porang粉）中的掺假成分。由于suweg（Amorphophallus paeoniifolius (Dennst.)）和芋头（Colocasia esculenta）粉外观相似，本研究分别以不同浓度水平对porang粉进行了掺假实验。通过主成分分析（Principal Component Analysis, PCA），尤其是利用前两个主成分，能够清晰区分纯粉和掺假粉。同时，基于数据驱动的软独立模型分类方法（Data-Driven Soft Independent Modeling of Class Analogy, DD-SIMCA）成功分类了所有非纯样品，包括纯掺假物和掺假后的porang粉。在定量建模方面，偏最小二乘回归（Partial Least-Squares Regression, PLSR）的表现优于深度学习模型：suweg的均方根误差（Root Mean Square Error, RMSEP）为2.689%，芋头的RMSEP为2.005%，且两种掺假物的RPD值均超过10.0，尤其是采用中位数绝对偏差标准化（Median Absolute Deviation, MADn）预处理方法后效果更佳。总体而言，研究结果证明了HSI作为一种快速、无损且无需试剂的porang粉掺假分析方法的可行性，这与绿色分析化学（GAC）的理念是一致的。
引言
食品掺假是指为了经济利益而故意添加其他物质的行为[1]。这种行为通常是由于某些食品具有较高的市场价值，导致人们倾向于使用外观相似但质量较低的物质进行欺诈性掺假，使得仅凭肉眼难以察觉。此外，添加非食品成分（如三聚氰胺、漂白剂等未经授权的添加剂）也属于食品掺假范畴。Amorphophallus muelleri Blume（俗称porang）是一种多年生植物，主要生长在印度尼西亚[2]。作为一种富含葡甘露聚糖（glucomannan）的植物，porang具有多种健康益处和广泛的工业应用潜力[3][4]，但其粉状产品容易受到掺假。
有两种物质，即suweg（Amorphophallus paeoniifolius (Dennst.)）和芋头（Colocasia esculenta），由于它们与porang粉外观相似，有可能被用作掺假剂或被错误地标榜为porang粉（见图1）。然而，关于porang粉掺假的案例在文献或媒体中尚未得到广泛报道；这与2008年曝光的牛奶三聚氰胺事件不同。这可能是因为这些物质的添加不会导致外观明显变化或对消费者造成即时严重伤害。尽管如此，为防范未来可能出现的掺假情况，确保porang粉的质量和安全仍然至关重要。
为了解决这一问题，人们通常采用基于化学和生物技术的传统方法进行掺假检测。例如，参考文献[5]开发的一种基于DNA的方法成功检测出了可食用昆虫、牛奶[6][7]以及传统草药[8]中的隐藏植物成分。同样，色谱-光谱法也准确检测出了食用油[9]、鱼糜[10]、柠檬汁[11]、蜂蜜[12]等多种食品中的掺假情况。尽管这些方法具有优势，但在某些方面仍存在效率低下的问题。例如，仔细和适当的样品制备对于获得有效和准确的结果至关重要。此外，由于这些技术依赖化学试剂，在分析过程中不可避免会产生化学废物。因此，这些传统方法与绿色分析化学（GAC）的理念相悖，GAC提倡更安全、对分析人员、人类健康和环境友好的分析方法[14]。
为克服传统方法的局限性并支持GAC的理念，特别是针对porang粉的掺假检测，高光谱成像（HSI）成为了一种有前景的替代方案[15]。通过整合光谱和空间信息，HSI能够实现快速、无损且环保的porang粉掺假检测。其优势包括样品制备简单，分析过程中无需化学试剂，从而大大减少了化学废物的产生和环境影响。近年来，HSI已成功应用于奶粉[16][17]、多种面粉产品[18][20]、杏仁粉[21]、植物基肉饼[22]、可食用昆虫[23]等多种食品的掺假检测。然而，据我们所知，过去五年内没有研究报道过使用HSI或其他光谱技术检测porang粉掺假的情况。
因此，本研究首次报道了利用HSI无损检测porang粉中掺假物的方法，同时遵循了GAC的理念。为此，研究人员使用多元统计技术对HSI数据进行了分析，包括主成分分析（PCA）和基于数据驱动的软独立模型分类方法（DD-SIMCA）进行定性评估。此外，本研究还通过评估两种回归方法（偏最小二乘回归（PLS）和深度学习）来开发预测模型。
本文分为三个主要部分。第2部分描述了样品制备过程（即掺假porang粉的制备）、数据采集和数据处理，以及所使用的分析方法。第3部分展示了使用第2部分所述方法获得的结果（光谱分析、PCA结果、DD-SIMCA结果、回归性能及化学图像生成）。第4部分总结了研究的整体结论。
章节摘录
porang粉掺假
在本研究中，我们准备了两种掺假样品：（i）掺有suweg粉的porang粉；（ii）掺有芋头粉的porang粉。porang粉购自印度尼西亚西爪哇省万隆的PT Sanindo公司，而suweg粉和芋头粉则从日惹当地市场购买。为确保样品之间的公平比较，所有粉料均通过60目筛网过滤，并调整至相似的水分含量（10.101±0.501%（干基）。
纯porang粉与掺假porang粉的光谱曲线分析及PCA
图3ab展示了1000–1800纳米范围内的NIR光谱经过MADn变换后的结果。这种变换通过中位数绝对偏差对原始反射光谱进行了标准化处理，从而增强了细微的光谱差异，同时减少了基线波动。该NIR区域包含与生物材料中大分子相关的关键化学信息[30]。例如，1000纳米附近的特征通常与水分子相关的OH振动有关[31]。
结论
本研究利用NIR-HSI技术实现了porang粉掺假的无损检测，结合了监督学习和无监督学习方法。结果显示，在前两个主成分的二维评分图中，不同掺假程度下的光谱差异得到了清晰展示，这两个主成分共同解释了超过96%的累积方差。此外，DD-SIMCA在区分纯porang粉方面表现出较高的分类准确性。
CRediT作者贡献声明
哈尼姆·祖赫罗图尔·阿玛纳（Hanim Zuhrotul Amanah）：撰写——审稿与编辑、初稿撰写、方法论设计、研究实施、资金筹集、数据分析、概念构建。雷扎·阿迪塔玛·普特拉·赫尔南达（Reza Adhitama Putra Hernanda）：初稿撰写、可视化处理、方法论设计、数据分析。许恩秀（Hoonsoo Lee）：审稿与编辑、验证工作、软件开发。周英宽（Byoung-Kwan Cho）：审稿与编辑、验证工作、项目管理。鲁迪亚蒂·埃维·马西托（Rudiati Evi Masithoh）：审稿与编辑
资金支持
本研究得到了加查马达大学（Universitas Gadjah Mada）学术卓越计划（Academic Excellence A）的资助，资助编号为684/UN1·P/KPT/HUKOR/2025。
利益冲突声明
作者声明没有已知的财务利益冲突或个人关系可能影响本文的研究结果。
