食品的质量与安全一直是社会和学界关注的热点话题,许多研究者在不断探索更高效的检测技术来确保食品的质量和安全。传统的检测方法如感官检测、化学分析[1-3]和物理性能测试[4]等,需要复杂的样品处理步骤和较长的检测时间,不仅会对样品造成破坏,而且受到仪器设备、实验人员的主观经验等方面的限制。此外,多数检测方法只能做到抽样检测,无法做到全面检测,仍会有漏检现象,质量评估结果也具有不确定性且复现能力有限。
高光谱成像(hyperspectral imaging,HSI)技术是一种新兴且潜力巨大的工具[5],在食品质量和安全检测方面已经取得了许多高质量成果。该技术可以在不改变样品理化性质的前提下,同时采集光谱信息和图像信息,涵盖影响产品感官品质、营养成分和保存条件的所有因素。但必须明确,农产品尤其是加工食品的相关特性与其微观结构与化学成分有着直接关系,而这些影响因素是无法从宏观层面观测到的[6]。因此,从微观层面评估和监测食品质量与安全属性就非常有必要。本文将介绍显微高光谱成像(hyperspectral microscope imaging,HMI)技术的系统原理,总结其在不同应用领域的研究进展,并展望未来的发展方向,以期为食品行业提供新的检测手段和技术支持。
1 HMI系统介绍
传统的显微观察只能提供样品的形态学计量,仍不能给出深层结构和营养成分等进一步细节[7]。同时,单一的HSI系统的空间分辨率仅为毫米级[8-9],这限制了其对营养物质结构、微生物形态和残留物的检测能力。HMI技术将HSI与显微成像集成到一个系统中,将空间分辨率提升至微米级[10],可以同时获取样品的形态学信息,生物细胞或组织的结构信息,以及分子层面的化学信息,甚至可以在细胞层面分析各组分功能与细胞生理行为。HMI系统采集的一维光谱信息和二维空间信息组合生成的三维“超立方体”数据,具有信息量丰富且即时可视的特点[11],因而可以在复杂的样品组成中,对微小目标进行定位、识别和量化表征[12]。HMI技术早已广泛应用于生物学[13-14]、化学[15-16]、医学[17-18]、材料学[19-20]等诸多领域,其独特的潜力也应当可以在食品科学领域发挥巨大效用。
当下应用最多的HMI技术包括可见/近红外(visible/near infrared,Vis/NIR)光谱技术、傅立叶变换红外(Fourier transform infrared,FTIR)光谱技术和拉曼光谱(Raman spectroscopic imaging,RSI)技术。搭配不同光源、分光系统等附件后还衍生出许多的技术分支(图1)。经典的HMI系统包括光源(如卤素灯、氙灯、激光等)、分光装置[如棱镜、光栅、迈克尔逊干涉仪、声光谐调滤光器(acousto-optic tunable filter,AOTF)等]、测样附件、检测器[如电荷耦合器件相机(charge-coupled device,CCD)、互补金属氧化物半导体相机(complementary metal oxide semiconductor,CMOS)等]、数据采集与处理系统等[21]。
图1 HMI技术分支
Fig.1 Branches of HMI technology
NIR光谱主要关注在近红外区域化学键的振动以及对光的吸收特性,且大多数含有氢键的分子都具有可测量的NIR光谱[11]。NIR光谱成像技术是一种“三位一体”的技术,成像设备、化学计量学方法、分析软件和分析模型三者有机结合、密不可分[22]。近红外波段的光能穿透大部分有机和无机物质,使得NIR光谱仪具有非破坏性、实时性和能够兼容多种样品的优势。它在农业、食品、药品等领域常用于品质检测、成分分析、过程监控等。图2展示的是本课题组自搭建的NIR显微成像系统,主要部分由SOC710VP光谱仪(400～1 000 nm)和体视显微镜组成,为补充光照加装2盏卤素灯(lowel i-light,12/14 V)。
图2 可见/近红外显微成像系统
Fig.2 Visible/near-infrared microscopic imaging system
FTIR光谱仪的主要部分为迈克尔干涉仪,它可以将红外光调制成音频信号,输出余弦曲线形式的各单色光干涉图的叠加图[23-24],经过傅里叶变换等算法处理后即可得到目标光谱图。FTIR光谱仪对于识别有机物和无机物分子的结构和组成非常有用,在化学、材料科学、制药等领域被广泛应用于质量控制、催化剂研究、聚合物分析等。根据样品的不同,可选择不同的检测方法来收集这些数据,如透射、反射或同步辐射、衰减全反射等。
RSI系统能够获得更好的空间分辨率,分析更小的粒子,更容易识别样品中的不同成分,而且不受空气和水的影响,被广泛应用于材料、化学、地理和生物领域。几乎所有包含真实分子键的物质都可以用于拉曼光谱分析,但有些化合物并不具有拉曼活性,具有拉曼活性的化合物也有可能在NIR区域或可见光激光频率下发出荧光,对成像结果造成干扰。应用中,多联合共聚焦显微镜共同工作。共聚焦拉曼显微系统的探头能够重新聚焦拉曼信号,无须机械切割或物理解剖,因此也被称为“光学切片”[25]。
2 研究现状
HMI技术在对农产品进行细胞层面的检测分析方面有独特且巨大的优势,应用前景十分广泛。具体而言,可用于评估物理污染和缺陷,跟踪检测营养成分含量[26],评估病虫害与微生物污染[27],检验化学污染[28]等方面。图3中展示了一些显微高光谱成像技术的典型应用案例:图3-a为获得玫瑰花粉荧光光谱的过程[29];图3-b为棉籽粕中土霉素残留物的高光谱图像与光谱数据[30];图3-c为感染黄曲霉的玉米粒显微高光谱图像[31];图3-d为奶酪的FTIR图像与吸光度光谱[32];图3-e为不同品种鱼糜的红外光谱图像[33];图3-f为银杏叶片的显微光谱[34];图3-g为海洋鱼类胃中微塑料/脂肪酸复合颗粒的光谱鉴定[35];图3-h为不同品种茶叶鲜叶的RSI图像[36]。
图3 显微高光谱成像技术的典型案例
Fig.3 Typical applications of HMI
2.1 质量检测
FENG等[37]对鹰嘴豆的蛋白质、脂质和碳水化合物等化学成分的分布情况进行成像,将对鹰嘴豆细胞固有结构的理解和分析提高到一个新的水平。如图4所示WU等[38]和杜明华[39]对盐胁迫环境中番茄叶片的过氧化物酶、过氧化氢酶、超氧化物歧化酶等物质的活性指标进行检测,采用竞争性自适应重加权算法(mompetitive adapative reweighted sampling, CARS)和间隔变量迭代空间收缩法(interval variable iterative space shrinkage approach,iVISSA)进行波段优选,并与光谱图像信息结合,构建了偏最小二乘判别模型(partial least squares discrimination analysis,PLS-DA)、迭代随机森林模型(iterative random forests,iRF)和最小二乘支持向量机模型(least squares support vector machine,LSSVM)(表1)。CHEN等[34]研究银杏叶的化学形态,分析银杏叶片的代谢物,并确定了叶片正面的角质层、蛋白质、纤维素等成分的分布。王福香[40]采集新鲜的彩色马铃薯内皮部、外皮部的显微光谱图像,建立多种关于马铃薯内部花青素的预测模型,包括卷积神经网络模型(convolutional neural network,CNN)和长短时记忆网络模型(long short term memory network,LSTM)(表1)。SU等[29]采用费舍尔判别分析法(Fisher discriminant analysis)对6个品种的蜂花粉进行分类,总体准确率为89.2%。PARK等[41]研究基于硬度分类的蓝莓的细胞微观特征。发现质地较软的蓝莓细胞形状更不规则,细胞之间的黏附力减弱。建立的模型准确率达到85%。进一步地利用灰度共生矩阵(gray level concurrence matrix,GLCM)辅助进行分类,将准确率提高到95%[42]。
表1 质量检测分类模型
Table 1 Classification models for food quality analysis
样品 波长/nm 建模方法性能评价参考文献番茄叶400～1 000POD:iVISSA+SPA-PLSRRp=0.81,RMSEP=18.94[38]POD:CARS+PLSRRc=0.8714,Rp=0.866 4CAT:iRF+PLSRRc=0.874 9,Rp=0.808 6[39]SOD:CARS+LSSVMRc=0.942 7,Rp=0.905 8马铃薯365～1 025CNN+GELU+LSTM+自注意力机制Rc=0.955 6,Rp=0.951 4[40]花粉400～720Fisher线性分类器ACC=89.2%[29]蓝莓400～1 000MSC+DIFF7优化算法+Fusion-Net融合网络ACC=85%[41]GLCM+Fusion-Net融合网络ACC=95%[42]木材372～1 038CARS+SVMACC=95.522%[43]SNV+CARS+SVMACC=92.68%[44]决策级融合ACC=99.05%[45]抹茶400～900CARS+ANNR2p=0.777 4[47]金线吊葫芦400～900PCA+SVMACC=97.5%[49]饲料1 112～2 500SNVD+PLS-DAR2=0.95[51]藻类400～900RFACC=98.1%[58]
注：连续投影算法(successive projections algorithm,SPA);高斯误差线性单元(Gaussian error linear units,GELU);多元散射校正(multiplicative scatter correction,MSC);人工神经网络(artificial neural network,ANN);预测均方根误差(root mean square error of prediction,RMSEP);准确率(accuracy,ACC)。
图4 基于偏最小二乘回归(partial least squares regression,PLSR)模型的番茄叶片过氧化物酶活性空间分布可视化[38]
Fig.4 Visualization of spatial distribution of peroxidase activity in tomato leaves based on PLSR modeling[38]
a-结缔组织纵切面的皮色红染色图像;b-光镜图像;c-根据酰胺 I/酰胺 II 比值计算出的相应偏振傅立叶变换红外图像[57]
图5 意大利面状鸡胸肉图谱分析
Fig.5 Image and spectral analysis of spaghetti chicken breasts[57]
图6 不同食源性细菌的超立方体图像与单细胞图像[66]
Fig.6 Hypercube images and single-cell images of different foodborne bacteria[66]
图7 猪肉新鲜度检测中PCA选定的主要波长[79]
Fig.7 Selected major wavelengths by PCA in pork freshness testing[79]
赵鹏等[43]获取不同木材的光谱图像后,利用支持向量机(support vector machines, SVM)建立特征波长下的分类模型,准确率达到95.522%。唐艳慧[44]又将分形理论引入木材分类,建立复合核函数,分类识别精度92.68%。韩金城[45]结合GLCM进行纹理分析,利用决策级融合方法建立木材分类模型,识别正确率达到99.05%。PALLUA等[46]根据从不同组织平面获取的光谱图像进行三维成像,实现对猴头菇分子模式的三维表面重构。同时,使用不同的聚类技术,并证明所有这些聚类算法都能够大大提高红外图像的信息含量。OUYANG等[47-48]将HMI与化学计量学相结合,模拟人类对抹茶的感官质量评估,建立了性能优异的分类模型(表1)。JIAO等[49]将CCD相机替换为CMOS相机,分别基于反射光谱和透射光谱对金线吊葫芦的产地和品种进行研究,综合准确率达到97.5%。
HMI技术通过从不同角度获取多维度的信息,可以更全面地了解食品样品的特性和成分,提高检测准确性和灵敏度。可以准确测定农作物中各种化学成分和营养物质的含量与分布,以及发育过程中的组分变化。因此,在观测微观结构和标定营养成分时具有独特的潜力。例如硬度、含水率、含糖量等一般和组织学变化有关,就需要应用HMI技术从组织学、细胞学水平上了解相关化学成分的微观分布[50]。但其在实际应用中仍然面临着一些挑战,例如仍然需要进行取样,无法做到完全的无损检测;仍然面对着如何获取具有研究价值的数据,如何处理大量高维度的光谱数据,如何建立高效准确的识别模型,以及在复杂环境条件下如何保证准确性等问题。
饲料添加剂中,肉骨粉(meat and bone meal, MBM)是一种富含蛋白质、脂肪和矿物质的饲料原料。DE LA ROZA-DELGADO等[51]为区分饲料中的MBM,使用偏最小二乘法判别分析(partial least squares discrimination analysis,PLS-DA)和标准正态变异和去趋势算法(standard normal variate and detrending,SNVD)建立最佳判别模型(表1)。姜训鹏等[52]采用主成分分析(principal component analysis,PCA)和模糊聚类(fuzzy clustering mean,FCM)方法对图像中不同颗粒进行有效判别。后续又引入采用分水岭算法,实现了基于MATLAB软件实现图像颗粒的自动化提取和标记[53]。LYU等[54]又引入二维相关光谱(two-dimensional correlation spectroscopy,2D-COS)辅助分析,确定12个主要敏感变量,显著减少了计算时间。TENA等[55]又以不饱和脂肪酸的含量为指标区分饲料中的MBM和鱼粉。
白羽鸡鸡胸肉的白纹、木质化病变会严重影响鸡肉品质和肉鸡生产效率[56],SANDEN等[57]调查鸡胸肉结缔组织的主要成分——胶原蛋白后,发现鸡肉异常部位的结缔组织数量有所增加,尤其是在韧带周围。木质胸显示为粗细胶原纤维的混合物,而意大利面状肉的胶原纤维更细、更少、更短。
XU等[58]以HMI系统预测在实验室条件下培养的藻类的生长阶段,准确率为98.1%。姚辛励[59]对多种藻类、浮游动植物、水母碎片等进行微观成像,实现了在微区上分辨光谱的能力,为海洋致灾生物的鉴别提供了更多特异性的信息。LINTVEDT等[60]对比拉曼光谱与NIR光谱在鲑鱼片脂肪成分的检测能力。两者都显示出良好的结果和较高的性能,但拉曼测试集的结果更稳定。这表明,目前RSI技术可能最适合在对稳健性要求较高的应用中进行快速在线测量,而NIR技术更适合工业应用,但也必须密切地跟进校准和维护工作。
在研究农产品的物理性质随生长周期的变化规律时,如果能完整记录其生长周期中表皮细胞的光谱和结构变化,并发现与相关理化性质的联系,那么就有助于实现真正的无损检测和分类。因此,还需要进一步研究如何在不对样品进行切片或手动规划感兴趣区域的情况下,利用色彩、高光谱或三维表面成像技术,探索样本微观特征与宏观高光谱图像特征的相互关联。需要注意的是,虽然HMI技术可以提供更详细和全面的信息,但仍然需要与其他分析方法结合使用,以提高检测结果的准确性和可靠性。建立和更新各种作物的特征光谱库也是非常重要的,通过对比作物的光谱信息与现有的光谱数据库,可以对作物种类、有效成分和成熟度进行快速、准确的识别和鉴定。
2.2 安全检测
LU等[31]研究感染了黄曲霉菌的玉米籽粒的变化过程,观察到玉米籽粒中的养分流失过程,以及黄曲霉毒素和代谢物的合成过程。ZHANG等[61]以感染赤霉病的小麦穗的NIR光谱图像作为数据源,开发了一种分类指数[fusarium head blight (FHB) classification index,FCI],分类准确率达到89.8%。LI等[62]实现了苹果果实中低甲氧基果胶、高甲氧基果胶、纤维素、木质素和酚类的精确纯分子成像,为从细胞水平研究病原体感染过程和果实防御反应提供一种新的化学成像策略。
EADY等[63]的早期实验确定HMI系统可以用于对沙门氏菌进行分类。进一步地应用SVM进行交叉验证,决定系数R2大于0.922[64]。后又应用二次判别分析(quadratic discriminant analysis,QDA)对鸡肉中的沙门氏菌进行判别,总体准确率达到98.5%[65]。康睿[66]构建了一种感兴趣区域(region of interest,ROI)自动化快速分割的U-Net网络,能在0.4 s内完成一张图像的分割。接着利用CNN对食源性细菌进行分类,准确率达到90%[67]。又进一步提出一种无须进行降维即可对光谱数据进行分类的LSTM网络,分类准确率可达92.9%[68]。最后开发了一种堆叠而成的Fusion-Net融合网络,辅助HMI技术进行分类,准确率达到98.4%。最新开发的双向长短式记忆网络(Bi-directional LSTM, Bi-LSTM)能够直接处理高维的图谱特征,准确率高达98.1%[69]。PARK等[70-71]进行了更细致的研究,证明基于AOTF的光谱成像仪可用于描述沙门氏菌、大肠杆菌的生物膜的光谱特性。AOTF是一种电光调制元器件,具有体积小、重量轻,便于集成,抗干扰能力强等优点,是当前最先进的近红外技术。
食品中的污染物以及人工造假与掺杂现象广泛存在,而饲料市场更是掺假行为频发的领域。黎静[72]建立多种模型对豆粕中掺杂的三聚氰胺进行判别分析,含量高于0.05%的样本均能被检测出来(详见表2),其中以多元曲线分辨结合交替最小二乘法(multivariate curve resolution-alternating least squares,MCR-ALS)建立的模型预测误差最小。SHEN等[73]则验证了以全局H值(global H value,GH)大于3为标准的非靶向筛选方法检测豆粕掺假是可行的。LI等[30]研究棉籽粕中的抗生素菌丝体残留物,发现通过使用PCA和单类偏最小二乘(one-class partial least squares,OCPLS),可有效区分掺假样品中不同类型的抗生素菌丝体残留物,准确度达到99.01%。类似的,石冬冬等[74]研究采用iVISSA进行波段优选,以减少数据冗余信息;并采用基于多核学习的SVM(multiple kernel learning-SVM,MKL-SVM)对鸭料中掺杂的苏丹红进行定性判别。该方法灵敏度较高,鉴别准确率达到 89.2%。
表2 安全检测分类模型
Table 2 Classification models for food safety inspections
样品波长/nm建模方法性能评价参考文献沙门氏菌SVMR2>0.922[64]450～800QDAACC=98.5%[65]食源性 LSTMACC=92.9%[68]致病菌 Fusion-net融合网络ACC=98.4%PLS-DAR2=0.933 6饲料 1 282～2 439SVMR2=0.942 6[72]MCR-ALSR2=0.936 7MKL-SVMACC=89.2%[74]羊肉 400～1 000SVMACC=93.33%[77]猪肉 500～900BP-ANNACC=100%[78] 300～1 000BP-ANNACC=100.00%[79]SVMACC=93.33%
上述研究充分证明,HMI技术可用于开发针对某种食品安全影响因素的特异性分类模型。对于研究人员而言,病虫害、农药残留、微生物等分析物往往集中在样品上微小的区域中[75],并且分布相对均匀不易察觉。HMI技术因具有高灵敏度和高分辨率,以及采集多波段光谱信息的能力,故而能够检测到非常低浓度的化合物。而且可以实时、定性定量地监测农产品与食品中的物理、化学污染情况,减少对实验室分析的依赖[76]。在微生物研究方面,相比传统的PCR分析技术,HMI技术省去了长时间的培养过程,实现了细菌的早期鉴别,可在单细胞水平上对活菌进行筛选,这正是实际应用中急需的技术。但以上研究中都遇到了在相对巨大且复杂的背景中难以划分感兴趣区域的问题。同时由于样本量巨大,无法将每一种参数组合都加入模型进行训练,因此必须开发优化算法筛选出最关键的参数。但必须指出的是,实验室中采集光谱数据的条件和实际应用环境的条件必然是不同的,因此如何规避不同条件下的背景干扰和噪声干扰仍然是一个问题。
马天兰[77]对滩羊肉贮藏过程中 pH值、肉色、菌落总数、水分含量的变化进行研究。接着对羊肉新鲜度等级进行分类判别,准确率达到93.33%。类似的,XU等[78]提出一种快速检测猪肉新鲜度的方法。建立的反向传播人工神经网络(backpropagation algorithm, BP-ANN)模型获得了最佳的新鲜度分类,准确率达到100%。黄琪评[79]运用BP-ANN、SVM等方法对猪肉的新鲜度等级进行划分,判别率分别为100.00%、93.33%。CARTON等[80]研究鲑鱼肌肉在盐渍和熏制中肌纤维蛋白和微观结构的变化。发现鱼肉蛋白质的二级结构变化主要受腌制时间影响。PERISIC等[81]在此基础之上研究不同浓度(1.5%、6.0%和9.0%)的NaCl和2种盐替代品(MgSO4和KCl)对肉类蛋白质的影响。
肉类的变质是一个多因素共同作用的复杂过程,单一的参数并不能代表整体质量[82]。不同的样品和检测指标所对应的预处理方法和模型搭建方法各不相同。因此,需要在不同质量阶段选择更多算法和样本类型进行进一步研究,以建立稳健的模型。其次,由于不同的环境因素,特别是温度和湿度会造成误差,从而降低数据的准确性和可信度,因此在未来的研究中可以考虑引入高性能的传感器。如SANAEIFAR等[83]联用电子鼻和共聚焦拉曼显微系统来证明它们在测定茶叶中毒死蜱(chlorpyrifos,氯吡硫磷)浓度的能力。结合电子鼻的气味分析,可以将气味信息与特定空间位置关联起来。将电子鼻和高光谱成像系统的数据进行融合,可以构建更精确和可靠的分类模型或预测模型。
微塑料(micro plastics, MP)是指尺寸小于5毫米的塑料颗粒或纤维,它们可以进入食物链,被人类摄入并于体内富集[84]。已有研究表明,摄入微塑料会给人类健康诸多不利影响。GHOSAL等[35]分析海洋鱼类体内的塑料残留物。在样本体内发现了大于1 mm的聚乙烯和聚丙烯颗粒,其中以聚乙烯最为常见。MISERLI等[85]则发现海水中采集的MP大多呈纤维和碎片状,并利用扫描电子显微镜观察到风化和碎裂的过程。RAGUSA等[86]相继从母乳样本和人类胎盘样本中发现了微塑料。KATSARA等[87]在研究塑料包装中的低密度聚乙烯向肉类样品表面的迁移情况时,成功观察到在冷藏温度(4 ℃)下的迁移过程。
在当下对微塑料的研究中,RSI是主要选择。一方面是因为RSI对样本的适应性更强,另一方面是因为RSI专注于例如苯环的振动,多聚物长链的振动以及晶格振动等信息,对无机化合物更敏感。SHI等[88]针对粉末状食品中掺杂的微塑料,对比了FTIR、光热红外显微成像技术(optical photothermal infrared,O-PTIR)和共聚焦-拉曼的成像效果,其中拉曼成像技术成功获得了微塑料在微空间的清晰空间分布。但是在实际实验当中,分析微塑料时很难完全消除有机物的影响。联合红外光谱技术,丰富背景物质和塑料粒子的化学成分信息或许可以克服这些问题[89-90]。同时,为更好地研究纳米尺度的微塑料,提高分辨率,增强信号,改进分析算法仍是可行的研究方向。
3 总结展望
本文总结了HMI技术在食品质量控制和食品安全监管方面的独特优势,如结构紧凑、即时可见、光谱分辨率高等。HMI能提供样品中微小区域的单波段显微图像,还能获得图像中任意像素的光谱曲线。因此不仅可以应用于农产品、畜牧产品和海产品等不同类型的食品品质检测分类,研究食品加工过程中营养物质的变化,还可以应用于食品包装、餐具等与食品相关的加工产品的质量安全监测。总之,HMI技术有望成为食品工业中一种极具吸引力和竞争力的方法。
但要将HMI技术应用于实际生产,仍面临着许多困难,主要问题包括:显微系统的光束能量弱;系统硬件脆弱易损;实验环境带来的噪声干扰难以排除;在分析大面积样品或高分辨率成像的情况下,图谱数据采集时间较长;取样时存在较强的主观性,难以规避局部特异性;模型适用场景不同,可移植性和实时性较差等。此外,系统构建需依赖高质量的光谱成像设备和数据处理设备,其高成本和所需的大量训练时间均是挑战。在例如中药、木材等行业,构建和更新光谱库也需要大量的时间、资金和技术支持。在未来的研究中,除了开发提高系统能力的附件,例如更先进的图像传感器以替代CCD,更灵敏的分光器件以加强光束能量,更稳定的系统以降低噪声等等;还必须改进数据分析算法,以便有效处理庞大的数据“超立方体”。与此同时,将HMI与其他新兴技术相结合也是可行的研究方向,因此需要拓展HMI系统的兼容性和多维检测能力,使之能够适配多种样品。例如结合微流控技术,搭建流体光谱检测系统以更好地检测流体样本。随着技术的进步和应用需求的增加,HMI技术在食品科学领域的应用潜力将逐渐被认识和挖掘。
[1] 黄姗, 时文六, 白天,等.蛋白质组学技术在速冻食品中的应用研究进展[J].食品研究与开发, 2023, 44(22):180-185.HUANG S, SHI W L, BAI T, et al.Recent progress in application of proteomics in quick-frozen food[J].Food Research and Development, 2023, 44(22):180-185.
[2] 钟婷婷. 食品微生物检测技术及其质量控制的重要性[J].食品安全导刊, 2023(30):166-168.ZHONG T T.The importance of food microbial detection technology and its quality control[J].China Food Safety Magazine, 2023(30):166-168.
[3] 雷豆豆, 宋鹏悦, 徐青斌,等.色谱及联用技术在中药材农药残留检测中的应用进展[J].分析试验室,2024,43(10):1505-1502.LEI D D, SONG P Y, XU Q B, et al.Progress in Chromatography and hyphenated techniques for pesticide residues detection in Chinese medicinal materials[J].Chinese Journal of Analysis Laboratory,2024,43(10):1505-1502.
[4] 王晓明, 章海亮, 罗微,等.近红外光谱检测梨果硬度研究[J].中国农机化学报, 2015, 36(6):120-123;142.WANG X M, ZHANG H L, LUO W, et al.Study on pear firmness detection by using near infrared reflectance spectroscopy based on CARS[J].Journal of Chinese Agricultural Mechanization, 2015, 36(6):120-123;142.
[5] 袁伟东, 姜洪喆, 鞠皓, 等.木本油料产品掺假和品质评估的近红外光谱及成像检测研究进展[J].食品与发酵工业, 2023, 49(2):307-315.YUAN W D, JIANG H Z, JU H, et al.Research progress of near-infrared spectroscopy and imaging detection for adulteration and quality evaluation of woody oil products[J].Food and Fermentation Industries, 2023, 49(2):307-315.
[6] WANG K Q, LI Z L, LI J J, et al.Raman spectroscopic techniques for nondestructive analysis of agri-foods:A state-of-the-art review[J].Trends in Food Science &Technology, 2021, 118:490-504.
[7] NASR-ESFAHANI S, MUTHUKUMAR V, REGENTOVA E, et al.Hyperspectral methods in microscopy image analysis:A Survey[C].Proceedings of the 18th International Conference on Signal Processing and Multimedia Applications, SCITEPRESS-Science and Technology Publications, 2021:111-119.
[8] WENG X, NEETHIRAJAN S.Aptamer-based fluorometric determination of norovirus using a paper-based microfluidic device[J].Microchimica Acta, 2017, 184(11):4545-4552.
[9] CAPORASO N, WHITWORTH M B, FOWLER M S, et al.Hyperspectral imaging for non-destructive prediction of fermentation index, polyphenol content and antioxidant activity in single cocoa beans.[J].Food Chemistry, 2018, 258:343-351.
[10] BURGER J, GELADI P.Hyperspectral NIR imaging for calibration and prediction:A comparison between image and spectrometer data for studying organic and biological samples[J].Analyst, 2006, 131(10):1152-1160.
[11] PU H B, LIN L, SUN D W.Principles of hyperspectral microscope imaging techniques and their applications in food quality and safety detection:A review[J].Comprehensive Reviews in Food Science and Food Safety, 2019, 18(4):853-866.
[12] ROTH G A, TAHILIANI S, NEU-BAKER N M, et al.Hyperspectral microscopy as an analytical tool for nanomaterials[J].Wiley Interdisciplinary Reviews:Nanomedicine and Nanobiotechnology, 2015, 7(4):565-579.
[13] XU Z P, JIANG Y M, HE S L.Multi-mode microscopic hyperspectral imager for the sensing of biological samples[J].Applied Sciences, 2020, 10(14):4876.
[14] 贺雨田, 杨颉, 隋海霞, 等.基于显微光谱法的双壳类海洋生物中微塑料的检测方法研究[J].分析测试学报, 2021, 40(7):1055-1061.HE Y T, YANG J, SUI H X, et al.Research on detection methods for microplastics in bivalve marine organisms based on microspectroscopy[J].Journal of Instrumental Analysis, 2021, 40(7):1055-1061.
[15] 陈争. 基于红外-拉曼光谱的常见爆炸物快速识别分类研究[D].北京:中国人民公安大学, 2023.CHEN Z.Research on rapid identification and classification of common explosives based on infrared and raman spectroscopy[D].Beijing: People’s Public Security University of China, 2023.
[16] 丘育辉, 陈伟权, 邓壬癸, 等. 聚甲基丙烯酸甲酯对二硫化钼拉伸应变控制及拉曼光谱研究[J]. 机电工程技术, 2023, 52(11):61-64.QIU Y H, CHEN W Q, DENG R G, et al. Tensile strain engineering and Raman spectra of molybdenum disulfide on polymethyl methacrylate[J]. Mechanical &Electrical Engineering Technology, 2023, 52(11):61-64.
[17] TAO C L, DU J, TANG Y X, et al. A deep-learning based system for rapid genus identification of pathogens under hyperspectral microscopic images[J]. Cells, 2022, 11(14):2237.
[18] 何明霞, 田甜, 刘立媛, 等. 小鼠小梁细胞与肌成纤维细胞的同步辐射红外显微光谱[J]. 光谱学与光谱分析, 2019, 39(11):3346-3351.HE M X, TIAN T, LIU L Y, et al. Synchrotron radiation infrared microscopy analysis of mouse trabecular meshwork cells and myofibroblasts[J]. Spectroscopy and Spectral Analysis, 2019, 39(11):3346-3351.
[19] TROVATELLO C, GENCO A, CRUCIANO C, et al. Hyperspectral microscopy of two-dimensional semiconductors[J]. Optical Materials: X, 2022, 14:100145.
[20] ZENATI T, FIGLIUZZI B, HAM S H. Surface oxides characterization based on hyperspectral observations[J]. Chemometrics and Intelligent Laboratory Systems, 2023, 240:104879.
[21] 褚小立. 化学计量学方法与分子光谱分析技术[M]. 北京: 化学工业出版社, 2011.
[22] 杨晨龙, 袁大林, 牟定荣, 等. 近红外显微成像技术及其应用进展[J]. 光谱实验室, 2012, 29(5):3198-3202.YANG C L, YUAN D L, MOU D R, et al. Near infrared micro-imaging technology and its application progress[J]. Chinese Journal of Spectroscopy Laboratory, 2012, 29(5):3198-3202.
[23] 何勇. 光谱及成像技术在农业中的应用[M]. 北京: 科学出版社, 2016.
[24] GRIFFITHS P R, DE HASETH J A. Fourier Transform Infrared Spectrometry[M].Hoboken: Wiley, 2006.
[25] ROSTRON P, GERBER D. Raman spectroscopy—A review[J]. International Journal of Engineering and Technical Research, 2016, 6(1):50-64.
[26] HUANG H, LIU L, NGADI M O. Recent developments in hyperspectral imaging for assessment of food quality and safety[J]. Sensors, 2014, 14(4):7248-7276.
[27] ROBERTS J, POWER A, CHAPMAN J, et al. A short update on the advantages, applications and limitations of hyperspectral and chemical imaging in food authentication[J]. Applied Sciences, 2018, 8(4):505.
[28] GURRALA K, HARIGA M. Key food supply chain challenges: A review of the literature and research gaps[J]. Operations and Supply Chain Management, 2022:441-460.
[29] SU K, ZHU S Q, WEI L, et al. Classification of bee pollen grains using hyperspectral microscopy imaging and Fisher linear classifier[J]. Optical Engineering, 2016, 55(5):053102.
[30] LI S X, FAN X, MEI J Q, et al. Identification of antibiotic mycelia residues in cottonseed meal using Fourier transform near-infrared microspectroscopic imaging[J]. Food Chemistry, 2019, 293:204-212.
[31] LU Y, JIA B B, YOON S C, et al. Spatio-temporal patterns of Aspergillus flavus infection and aflatoxin B1 biosynthesis on maize kernels probed by SWIR hyperspectral imaging and synchrotron FTIR microspectroscopy[J]. Food Chemistry, 2022, 382:132340.
[32] ONG L, PAX A P, ONG A, et al. The effect of pH on the fat and protein within cream cheese and their influence on textural and rheological properties[J]. Food Chemistry, 2020, 332:127327.
[33] 胡伟. 基于多尺度显微高光谱成像技术的鱼糜品质分析与识别机制[D]. 上海: 上海海洋大学, 2016.HU W. Surimi quality analysis and recognition mechanism based on multi-scale microscopic hyperspectral imaging technology [D]. Shanghai: Shanghai Ocean University, 2016.
[34] CHEN J B, SUN S Q, ZHOU Q. Direct observation of bulk and surface chemical morphologies of Ginkgo biloba leaves by Fourier transform mid- and near-infrared microspectroscopic imaging[J]. Analytical and Bioanalytical Chemistry, 2013, 405(29):9385-9400.
[35] GHOSAL S, CHEN M, WAGNER J, et al. Molecular identification of polymers and anthropogenic particles extracted from oceanic water and fish stomach-A Raman micro-spectroscopy study[J]. Environmental Pollution, 2018, 233:1113-1124.
[36] ZHANG Y Y, GAO W J, CUI C J, et al. Development of a method to evaluate the tenderness of fresh tea leaves based on rapid, in situ Raman spectroscopy scanning for carotenoids[J]. Food Chemistry, 2020, 308:125648.
[37] FENG X, LIU N, ZHANG H H, et al. Chemical imaging of the microstructure of chickpea seed tissue within a cellular dimension using synchrotron infrared microspectroscopy: A preliminary study[J]. Journal of Agricultural and Food Chemistry, 2020, 68(41):11586-11593.
[38] WU L G, JIANG Q F, ZHANG Y, et al. Peroxidase activity in tomato leaf cells under salt stress based on micro-hyperspectral imaging technique[J]. Horticulturae, 2022, 8(9):813.
[39] 杜明华. 基于显微高光谱成像技术的番茄叶片抗氧化酶活性检测研究[D]. 银川: 宁夏大学, 2022.DU M H. Detection of antioxidant enzyme activity in tomato leaves based on microscopic hyperspectral imaging technology[D]. Yinchuan: Ningxia University, 2022.
[40] 王福香. 基于光谱和图像信息融合的彩色马铃薯内部成分检测方法研究[D]. 呼和浩特: 内蒙古农业大学, 2022.WANG F X. Research on detection method of colored potato internal components based on spectral and image information fusion [D]. Hohhot: Inner Mongolia Agricultural University, 2022.
[41] PARK B, SHIN T S, CHO J S, et al. Characterizing hyperspectral microscope imagery for classification of blueberry firmness with deep learning methods[J]. Agronomy, 2021, 12(1):85.
[42] PARK B, SHIN T, CHO J S, et al. Improving blueberry firmness classification with spectral and textural features of microstructures using hyperspectral microscope imaging and deep learning[J]. Postharvest Biology and Technology, 2023, 195:112154.
[43] 赵鹏, 唐艳慧, 李振宇. 支持向量机复合核函数的高光谱显微成像木材树种分类[J]. 光谱学与光谱分析, 2019, 39(12):3776-3782.ZHAO P, TANG Y H, LI Z Y. Wood species recognition with microscopic hyper-spectral imaging and composite kernel SVM[J]. Spectroscopy and Spectral Analysis, 2019, 39(12):3776-3782.
[44] 唐艳慧. 基于光谱信息与纹理信息融合的显微高光谱木材分类[D]. 哈尔滨: 东北林业大学, 2020.TANG Y H. Micro-spectral wood classification based on fusion of spectral information and texture information [D]. Harbin: Northeast Forestry University, 2020.
[45] 韩金城. 基于纹理和光谱融合的木材树种分类技术的研究[D]. 哈尔滨: 东北林业大学, 2021.HAN J C. Study on classification technology of wood species based on fusion of texture and spectrum [D]. Harbin: Northeast Forestry University, 2021.
[46] PALLUA J D, UNTERBERGER S H, METZLER G, et al. Application of 3-D surface reconstruction by mid- and near-infrared microscopic imaging for anatomical studies on Hericium coralloides basidiomata[J]. Anal Methods, 2014, 6(4):1149-1157.
[47] OUYANG Q, YANG Y C, PARK B, et al. A novel hyperspectral microscope imaging technology for rapid evaluation of particle size distribution in matcha[J]. Journal of Food Engineering, 2020, 272:109782.
[48] OUYANG Q, WANG L, PARK B, et al. Assessment of matcha sensory quality using hyperspectral microscope imaging technology[J]. LWT, 2020, 125:109254.
[49] JIAO C W, XU Z P, BIAN Q W, et al. Machine learning classification of origins and varieties of Tetrastigma hemsleyanum using a dual-mode microscopic hyperspectral imager[J]. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2021, 261:120054.
[50] NICOLAÏ B M, BEULLENS K, BOBELYN E, et al. Nondestructive measurement of fruit and vegetable quality by means of NIR spectroscopy: A review[J]. Postharvest Biology and Technology, 2007, 46(2):99-118.
[51] DE LA ROZA-DELGADO B, SOLDADO A, MART
NEZ-FERN
NDEZ A, et al. Application of near-infrared microscopy (NIRM) for the detection of meat and bone meals in animal feeds: A tool for food and feed safety[J]. Food Chemistry, 2007, 105(3):1164-1170.
[52] 姜训鹏, 杨增玲, 韩鲁佳, 等. 精料补充料中肉骨粉的显微近红外成像识别[J]. 农业机械学报, 2011, 42(7):155-159.JIANG X P, YANG Z L, HAN L J, et al. Discrimination of meat and bone meal in concentrate supplement by near-infrared microscopic imaging[J]. Transactions of the Chinese Society for Agricultural Machinery, 2011, 42(7):155-159.
[53] 姜训鹏, 杨增玲, 刘贤, 等. 肉骨粉显微近红外标准光谱库的快速构建方法[J]. 农业机械学报, 2012, 43(7):141-144.JIANG X P, YANG Z L, LIU X, et al. Rapid construction of near-infrared microscopic spectra database for identification of meat and bone meal[J]. Transactions of the Chinese Society for Agricultural Machinery, 2012, 43(7):141-144.
[54] LYU C X, CHEN L J, YANG Z L, et al. Two-dimensional correlation spectroscopy (2D-COS) variable selection for near-infrared microscopy discrimination of meat and bone meal in compound feed[J]. Applied Spectroscopy, 2014, 68(8):844-851.
[55] TENA N, FERNNDEZ PIERNA J A, BOIX A, et al. Differentiation of meat and bone meal from fishmeal by near-infrared spectroscopy: Extension of scope to defatted samples[J]. Food Control, 2014, 43:155-162.
[56] 张聪, 袁伟东, 周禹, 等. 白纹肉与木质肉品质安全无损检测研究进展[J]. 食品与发酵工业,2024,50(8):365-373.ZHANG C, YUAN W D, ZHOU Y, et al. Research progress on non-destructive detection of quality and safety of white striping and wooden breast[J/OL]. Food and Fermentation Industries,2024,50(8):365-373.
[57] SANDEN K W, BÖCKER U, OFSTAD R, et al. Characterization of collagen structure in normal, wooden breast and spaghetti meat chicken fillets by FTIR microspectroscopy and histology[J]. Foods, 2021, 10(3):548.
[58] XU Z P, JIANG Y M, JI J L, et al. Classification, identification, and growth stage estimation of microalgae based on transmission hyperspectral microscopic imaging and machine learning[J]. Optics Express, 2020, 28(21):30686-30700.
[59] 姚辛励. 面向海洋探测与食品检测的高光谱成像技术研究[D]. 杭州: 浙江大学, 2020.YAO X L. Hyperspectral imaing technology for ocean exploration and food detection [D]. Hangzhou: Zhejiang University, 2020.
[60] LINTVEDT T A, ANDERSEN P V, AFSETH N K, et al. Raman spectroscopy and NIR hyperspectral imaging for in-line estimation of fatty acid features in salmon fillets[J]. Talanta, 2023, 254:124113.
[61] ZHANG N, PAN Y C, FENG H K, et al. Development of Fusarium head blight classification index using hyperspectral microscopy images of winter wheat spikelets[J]. Biosystems Engineering, 2019, 186:83-99.
[62] LI M, ZHANG L, JIANG L L, et al. Label-free Raman microspectroscopic imaging with chemometrics for cellular investigation of apple ring rot and nondestructive early recognition using near-infrared reflection spectroscopy with machine learning[J]. Talanta, 2024, 267:125212.
[63] EADY M, PARK B, CHOI S. Rapid and early detection of Salmonella serotypes with hyperspectral microscopy and multivariate data analysis[J]. Journal of Food Protection, 2015, 78(4):668-674.
[64] EADY M, PARK B. Classification of Salmonella enterica serotypes with selective bands using visible/NIR hyperspectral microscope images[J]. Journal of Microscopy, 2016, 263(1):10-19.
[65] EADY M, SETIA G, PARK B. Detection of Salmonella from chicken rinsate with visible/near-infrared hyperspectral microscope imaging compared against RT-PCR[J]. Talanta, 2019, 195:313-319.
[66] 康睿. 基于显微高光谱成像和深度学习技术的食源性致病菌快速检测识别研究[D]. 南京: 南京农业大学, 2020.KANG R. The detection and classification of foodborne pathogens using hyperspectral microscope imaging technology coupled with deep learning frameworks[D]. Nanjing: Nanjing Agricultural University, 2020.
[67] KANG R, PARK B, EADY M, et al. Classification of foodborne bacteria using hyperspectral microscope imaging technology coupled with convolutional neural networks [J]. Applied Microbiology and Biotechnology, 2020, 104(7):3157-3166.
[68] KANG R, PARK B, EADY M, et al. Single-cell classification of foodborne pathogens using hyperspectral microscope imaging coupled with deep learning frameworks[J]. Sensors and Actuators B: Chemical, 2020, 309:127789.
[69] 康睿, 程雅雯, 周玲莉, 等. 基于显微高光谱成像技术判别食源性致病菌种类的方法研究[J]. 光谱学与光谱分析, 2024, 44(2):392-397.KANG R, CHENG Y W, ZHOU L L, et al. A novel classification method of foodborne bacterial species based on hyperspectral microscopy imaging technology[J]. Spectroscopy and Spectral Analysis, 2024, 44(2):392-397.
[70] PARK B, YOON S C, LEE S, et al. Acousto-optic tunable filter hyperspectral microscope imaging method for characterizing spectra from foodborne pathogens[J]. Transactions of the ASABE, 2012, 55(5):1997-2006.
[71] PARK B, SHIN T, KANG R, et al. Automated segmentation of foodborne bacteria from chicken rinse with hyperspectral microscope imaging and deep learning methods[J]. Computers and Electronics in Agriculture, 2023, 208:107802.
[72] 黎静. 大豆源蛋白饲料原料中三聚氰胺/三聚氰酸的近红外显微成像分析方法研究[D]. 北京: 中国农业大学, 2014.LI J. NIRM imaging analysis o melamine/cyanuric acid in soy source protein feed materials [D]. Beijing: China Agricultural University, 2014.
[73] SHEN G H, FAN X, YANG Z L, et al. A feasibility study of non-targeted adulterant screening based on NIRM spectral library of soybean meal to guarantee quality: The example of non-protein nitrogen[J]. Food Chemistry, 2016, 210:35-42.
[74] 石冬冬, 康雪, 李庆波, 等. 近红外显微成像光谱法快速定性鉴别蛋鸭饲料中的苏丹红[J]. 饲料研究, 2017, 40(21):36-41.SHI D D, KANG X, LI Q B, et al. Rapid qualitative identification of Sudan red in feed for egg-laying ducks by near-infrared microimaging spectroscopy [J]. Feed Research, 2017, 40(21):36-41.
[75] DALE L M, THEWIS A, BOUDRY C, et al. Hyperspectral imaging applications in agriculture and agro-food product quality and safety control: A review[J]. Applied Spectroscopy Reviews, 2013, 48(2):142-159.
[76] MAGWAZA L S, OPARA U L, NIEUWOUDT H, et al. NIR spectroscopy applications for internal and external quality analysis of Citrus fruit—A review[J]. Food and Bioprocess Technology, 2012, 5(2):425-444.
[77] 马天兰. 基于显微高光谱成像技术的滩羊肉品质检测研究[D]. 银川: 宁夏大学, 2017.MA T L. Research about the quality detection of tan lamb based on microscopic hyperspectral imaging [D]. Yinchuan: Ningxia University, 2017.
[78] XU Y, CHEN Q S, LIU Y, et al. A novel hyperspectral microscopic imaging system for evaluating fresh degree of pork[J]. Korean Journal for Food Science of Animal Resources, 2018, 38(2):362-375.
[79] 黄琪评. 基于光谱成像技术的猪肉品质检测研究[D]. 镇江: 江苏大学, 2016.HUANG Q P. Study of pork quality based on spectral imaging technology [D]. Zhenjiang: Jiangsu University, 2016.
[80] CARTON I, BÖCKER U, OFSTAD R, et al. Monitoring secondary structural changes in salted and smoked salmon muscle myofiber proteins by FT-IR microspectroscopy[J]. Journal of Agricultural and Food Chemistry, 2009, 57(9):3563-3570.
[81] PERISIC N, AFSETH N K, OFSTAD R, et al. Monitoring protein structural changes and hydration in bovine meat tissue due to salt substitutes by Fourier transform infrared (FTIR) microspectroscopy[J]. Journal of Agricultural and Food Chemistry, 2011, 59(18):10052-10061.
[82] 徐霞, 成芳, 应义斌. 近红外光谱技术在肉品检测中的应用和研究进展[J]. 光谱学与光谱分析, 2009, 29(7):1876-1880.XU X, CHENG F, YING Y B. Application and recent development of research on near-infrared spectroscopy for meat quality evaluation[J]. Spectroscopy and Spectral Analysis, 2009, 29(7):1876-1880.
[83] SANAEIFAR A, LI X L, HE Y, et al. A data fusion approach on confocal Raman microspectroscopy and electronic nose for quantitative evaluation of pesticide residue in tea[J]. Biosystems Engineering, 2021, 210:206-222.
[84] 李盼, 杨玉菲, 薛振, 等. 微纳米塑料对陆生哺乳动物毒性效应的研究进展[J]. 生态毒理学报, 2023, 18(6):168-176.LI P, YANG Y F, XUE Z, et al. Research progress of toxic effects of micro-nano plastics on terrestrial mammals[J]. Asian Journal of Ecotoxicology, 2023, 18(6):168-176.
[85] MISERLI K, LYKOS C, KALAMPOUNIAS A G, et al. Screening of microplastics in aquaculture systems (fish, mussel, and water samples) by FTIR, scanning electron microscopy-energy dispersive spectroscopy and micro-Raman spectroscopies[J]. Applied Sciences, 2023, 13(17):9705.
[86] RAGUSA A, NOTARSTEFANO V, SVELATO A, et al. Raman microspectroscopy detection and characterisation of microplastics in human breastmilk[J]. Polymers, 2022, 14(13):2700.
[87] KATSARA K, KENANAKIS G, ALISSANDRAKIS E, et al. Low-density polyethylene migration from food packaging on cured meat products detected by micro-Raman spectroscopy[J]. Microplastics, 2022, 1(3):428-439.
[88] SHI Y Z, YI L, DU G R, et al. Visual characterization of microplastics in corn flour by near field molecular spectral imaging and data mining[J]. Science of the Total Environment, 2023, 862:160714.
[89] LIU S D, SHANG E X, LIU J N, et al. What have we known so far for fluorescence staining and quantification of microplastics: A tutorial review[J]. Frontiers of Environmental Science &Engineering, 2021, 16(1):8.
[90] 樊许娜, 陈永艳, 邢方潇, 等. 显微拉曼光谱法和显微红外光谱法检测饮用水中微塑料的初步比较研究[J]. 环境卫生学杂志, 2023, 13(1):54-59.FAN X N, CHEN Y Y, XING F X, et al. Preliminary comparison of microplastic determination in drinking water by micro-Raman spectroscopy and micro-infrared spectroscopy[J]. Journal of Environmental Hygiene, 2023, 13(1):54-59.