堅(jiān)果的品質(zhì)通常是根據(jù)產(chǎn)品的新鮮度、有無缺陷、螨蟲和外來物等污染物來評(píng)價(jià)的，在開心果的品質(zhì)控制中，缺陷和異物檢測(cè)是生產(chǎn)中最重要的環(huán)節(jié)。

      以往使用的HPLC、GC–MS、IR-MS等方法均存在不能實(shí)時(shí)檢測(cè)的弊端。近年來，基于彩色成像（RGB）的機(jī)器視覺技術(shù)在食品加工過程和品質(zhì)控制等方面發(fā)揮了重要作用，但對(duì)螨蟲、霉菌以及其他外來物的識(shí)別還是存在短板。意大利實(shí)驗(yàn)人員將高光譜成像（HSI）技術(shù)應(yīng)用于開心果的品質(zhì)控制中，對(duì)樣品的不同理化特征進(jìn)行定性和定量分析，為食品的品質(zhì)控制探索更優(yōu)的策略。

      實(shí)驗(yàn)人員隨機(jī)選取開心果混合物的不同類型特定樣本，將99個(gè)樣品分為6類：可食開心果(23)、不可食開心果(23)、開心果殼(13)、開心果外皮(13)、細(xì)枝(13)以及果核(14)。如圖1.1左，樣本分為訓(xùn)練集(70%)和驗(yàn)證集(30%)兩組，首先對(duì)原始光譜進(jìn)行預(yù)處理以突顯六類光譜的特征差異。

圖1.1 左：RGB圖(a)、訓(xùn)練集(b)和驗(yàn)證集(c)；右：6類樣本在SWIR范圍的平均(a)和預(yù)處理(b)反射光譜
 

       通過主成分分析(PCA)、應(yīng)用多變量分類方法的不同分類模型對(duì)訓(xùn)練數(shù)據(jù)集進(jìn)行訓(xùn)練，訓(xùn)練結(jié)果如下圖1.2左所示，其中CART預(yù)測(cè)圖與PCA-kNN的結(jié)果相似，獲得了非常好的分類結(jié)果，優(yōu)于PLS-DA和PCA-DA獲得的結(jié)果。使用不同分類模型對(duì)驗(yàn)證數(shù)據(jù)集進(jìn)行預(yù)測(cè)，結(jié)果如圖1.2右所示，模型均正確識(shí)別了石子，PLS-DA和PCA-DA預(yù)測(cè)圖相似，顯示了相同的錯(cuò)誤分類區(qū)域，而CART模型預(yù)測(cè)圖的特點(diǎn)是錯(cuò)誤分類像素更分散。PCA-kNN預(yù)測(cè)圖顯示出最好的結(jié)果，單一類別的錯(cuò)誤分類區(qū)域非常少。

圖1.2 左（a、b、c、d）為訓(xùn)練結(jié)果；右（a、b、c、d）為預(yù)測(cè)結(jié)果
 

      結(jié)果表明，基于SWIR波段的高光譜成像技術(shù)為開心果品質(zhì)監(jiān)測(cè)和控制提供了良好的方法，在工業(yè)應(yīng)用的離線或?qū)崟r(shí)檢測(cè)場(chǎng)景中具有廣闊前景。

2、花草茶無損品質(zhì)檢測(cè)評(píng)估

      隨著消費(fèi)者對(duì)健康關(guān)注度的增加，花草茶的消費(fèi)量也正逐步增加�；ú莶枋怯蓛煞N或多種植物物種基于改善口味并增加健康益處的目的混合而成。與其他食品或保健品一樣，花草茶的品質(zhì)控制(QC)對(duì)于確保食品安全和保健效果非常重要。

      傳統(tǒng)品質(zhì)控制方法，如高效液相色譜法(HPLC)和質(zhì)譜法(MS)，具有高重復(fù)性和準(zhǔn)確度，但耗時(shí)且具有破壞性，在含有多種原料的情況下，還需要單獨(dú)檢測(cè)每種成分，更加耗時(shí)耗力。在本研究中，高光譜成像技術(shù)作為一種快速且無損地將傳統(tǒng)的光譜學(xué)和數(shù)字成像相結(jié)合的方法來對(duì)花草茶品質(zhì)進(jìn)行評(píng)價(jià)和控制。

     茨瓦尼科技大學(xué)研究人員使用SWIR高光譜成像采集了購(gòu)買自Parceval Pty公司的原料(S.tortuosum和C.genistoides)和五批花草茶混合物(Honeybush-Sceletium)的高光譜圖像。在沒有相關(guān)化學(xué)知識(shí)的背景下，對(duì)兩種原料進(jìn)行了全面無損的區(qū)分，主成分分析(PCA)顯示S.tortuosum和C.genistoides 原料之間存在54.2%的化學(xué)成分差異。

圖2.1  a)兩種茶原料；b)PC1；c)兩種茶葉的不同像素簇散點(diǎn)圖(t1 vs t2)
 

      在花草茶快速無損的識(shí)別和成分量化中，基于PCA校準(zhǔn)模型開發(fā)了PLS-DA模型，如圖2.2左所示，測(cè)試集結(jié)果與PCA類似，觀察到兩個(gè)分離的像素簇，得出了52.8%的化學(xué)成分差異，相應(yīng)的Y-圖像顯示在散點(diǎn)圖旁邊，說明純凈的原料被100%分類。圖2.2右為預(yù)測(cè)集的RGB圖像和預(yù)測(cè)結(jié)果，其中包括兩個(gè)外部測(cè)試集樣本和五批花草茶混合物，結(jié)果證實(shí)了該模型可以準(zhǔn)確預(yù)測(cè)茶混合物成分的特性，預(yù)測(cè)花草茶混合物僅包含S.tortuosum和C.genistoides兩種原料，并定量預(yù)測(cè)C.genistoides為主要成分(含量>97%)，而S.tortuosum的含量較低(<3%)，量化結(jié)果接近該公司規(guī)定的C.genistoides=96%和S.tortuosum=4%的標(biāo)準(zhǔn)配方。實(shí)驗(yàn)結(jié)果表明在涼茶混合物等食品藥品的品質(zhì)評(píng)估方面，高光譜成像技術(shù)具有良好潛力。

圖2.2  左：a) PLS-DA 散點(diǎn)圖及得分；b) S. tortuosum 和 C. genistoides 的平均光譜差異。右：預(yù)測(cè)集樣本的可視化，a) RGB 圖像；b) 基于PLS-DA模型的類預(yù)測(cè)
 

 
參考文獻(xiàn)：
[1] Bonifazi G , Capobianco G , Gasbarrone R , et al. Contaminant detection in pistachio nuts by different classification methods applied to short-wave infrared hyperspectral images[J]. Food Control, 2021, 130(26):108202.
[2] A M S , A W C , B I V A , et al. Non-destructive quality assessment of herbal tea blends using hyperspectral imaging - ScienceDirect[J]. Phytochemistry Letters, 2018, 24:94-101.