食品是人类生存的基本物质，其主要成分包括水、碳水化合物、蛋白质、脂肪、维生素、矿物质与微量元素等。近年来，随着消费者生活水平的不断提高，食品品质与安全也愈益被重视。国内外食品安全事件的屡屡频发，在食品消费市场中出现了弄虚作假、产品质量不合格的现象，这不仅会损害消费者利益，还对食品行业的有序发展带来不利影响。因此，寻求一种快速简便，且易于使用的质量检测方法尤为重要。常用的食品检测方法有高效液相色谱法、液相色谱—质谱法、气相色谱法、低场核磁共振技术与酶联免疫技术等[1-4]。其主要优缺点如表1所示。
表1 常用食品品质检测方法的主要优缺点
Table 1 Comparison of advantages and disadvantages of common testing methods for food quality
检测方法高效液相色谱法液相色谱—质谱法气相色谱法低场核磁共振技术酶联免疫技术优点效率高、灵敏度高、分析速度快范围广、灵敏度高、定性和定量检测准确灵敏度高、选择性强、应用广泛便捷、快速、无损、重复性好、成本低灵敏度高、特异性好、检测速度快、成本较低缺点“柱外效应”、成本高,对生物大分子和无机离子不适用操作复杂、设备成本高成本高、操作复杂、对固体样品不适用分辨率较低,对食源性病菌检测受限重复性较低、稳定性较差,存在交叉反应代表实例保健食品中低聚果糖与低聚木糖含量测定[5]蜂胶等保健食品中氯霉素残留检测[6]食用油中叔丁基羟基茴香醚与二丁基羟基甲苯残留量检测[7]基于低场核磁共振研究不同解冻方式对冻猪肉食用品质的影响[8]酶联免疫法检测海洋贝类中的荧蒽[9]
虽然上述方法能满足食品定性定量的检测要求，但样品前处理繁琐、效率低、成本较高，在一定程度上限制了其应用。而随着红外光谱技术的快速发展，其技术方便快捷的优点使之逐渐在食品检测得到应用。红外光谱依其波数范围可分为近、中、远红外3个区域。中红外的波数范围为4 000～400 cm-1[10]。
中红外光谱(mid-infrared reflectance spectroscopy,MIRS)是一段波长在2 500～25 000 nm的电磁波，由分子中基团原子振动跃迁时吸收红外光产生，其特征性强，具有指纹特性[11]。不同化合物有特定的红外吸收光谱，其谱带数量、位置、形状和强度均随化合物及其聚集态变化。因此，基于化合物的光谱可确定化合物或其官能团是否存在，可用于定性分析；化合物的定量分析可通过物质组分的吸收峰强度，由Lambert-Beer law实现[12]。目前，脂肪、蛋白质与乳糖等物质的官能团在MIRS光谱上的特征吸收峰已鉴定，具体如图1所示。
图1 物质官能团的MIRS光谱区域示意图[13]
Fig.1 MIRS spectral region of a substance functional group
目前，中红外光谱技术现已被广泛应用于化学、制药、高分子聚合物等领域。该技术在食品检测的应用虽起步较晚，但由于其分析速度快、操作成本低，样品前处理简单，具有环保、高效特点，推动了食品检测行业发展，显示出良好的应用前景，在食品领域也有相关应用[14-16]。本文在对中红外光谱技术的工作原理与常用食品品质检测方法的主要优缺点简要说明的基础上，综述了中红外光谱技术在食品产地溯源、真假掺伪、品种鉴别与品质检测等方面的应用实例与研究进展，提出存在问题与解决方法，并对其发展前景予以展望。
1 主要研究进展
1.1 产地溯源
来自不同地区的食品原料受天气、环境与地形地貌等因素影响，其组织中的化学成分与物质含量有一定差异，光谱也略有不同，可通过中红外光谱技术进行产地溯源[17]。如HU等[18]利用漂移法结合化学计量法对黑胡椒产地溯源。由基线漂移反映样品中固有化合物的特异性、浓度与微环境，能对样品产地予以分类；另有GORDON等[19]将中红外光谱与化学计量学相结合，对不同产地大麦进行鉴别；UR
OOKOV
等[20]利用中红外光谱技术鉴定酒精饮料的地理来源；向伶俐等[21]采集来自4个不同葡萄产区的153个葡萄酒样品的近红外透射光谱和中红外衰减全反射光谱，结果得出，融合后的模型建模集、验证集的准确率分别为87.11%与90.87%，对比单一模型均有提高，此法能高效、低成本识别葡萄酒的原产地；吕伟奇等[22]利用中红外技术对来自云南4个不同产地的黄硬皮马勃进行产地鉴别，准确率为100%。朱哲燕等[23]使用中红外光谱分析技术对不同来源的香菇样本进行溯源分析，由不同波段分别建立5种辨别模型，发现基于相关向量机(relevance vector machine,RVM)算法更有效，识别率为90%。
中红外光谱技术对部分食药两用产品也同样有效，如龚海燕等[24]分析了不同厂家的金银花中红外光谱原始、一阶导数与二阶导数光谱。发现产地不同的金银花中所含成分存在差异，反映其红外图谱差异，最终得出可利用中红外光谱的二阶导数光谱区分不同产地的金银花品种。
1.2 真伪鉴定
食用油是人类膳食中不可或缺的营养来源，但市场上常发生以次充好的现象，中红外光谱技术可以对此加以鉴别。其中，GEORGOULI等[25]利用MIRS定量分析了特级初榨橄榄油与不同掺假程度食用油间差异；张婧等[26]采集了40个纯芝麻油样品和40个掺有玉米油的芝麻油样品的中红外衰减全反射光谱和近红外光谱，由主成分分析、得分矩阵结合最小二乘判别法建立分析模型，所得模型预测样品正确率为100%。位丽娜等[27]利用中红外光谱技术结合化学计量法分别检测了单一掺伪芝麻油和两种掺伪芝麻油，准确率为100%。此外，中红外光谱技术还可检测芝麻酱掺杂情况，如周密等[28]提出中红外光谱鉴别纯芝麻酱与掺杂芝麻酱，研究表明，有效波长在3 071～2 792 cm-1与1 786～667 cm-1范围内光谱信息结合SVM模型综合判别准确率达93.55%。
中红外技术在香辛料也有所应用，HU等[18]在4 000～400 cm-1的光谱范围内对1 200个掺杂黑胡椒样品进行漂移检测。结果得出GA-SVM和PLS-DA模型的验证集识别率和预测集分别为98%与96%；HORN等[29]利用傅里叶变换中红外光谱和单级软独立类类比模型，建立了一种辣椒掺假的检测方法。结果得出所有掺假物的特异性达80%以上。中红外光谱技术对食品掺假中的粉末状样品也有报道。其中，LIU等[30]应用MIRS光谱技术结合偏最小二乘判别分析预测藕粉中掺假物质含量；BETTINA等[31]利用傅立叶变换中红外光谱与独立模型对辣椒粉掺假进行检测，开发并优化了基于商用辣椒粉的一级模型，通过外部验证得出其灵敏度为80%。此外，市面上水果饮料的掺假现象也较为常见，中红外光谱则能实现准确高效测定的目的。其中，CAROLINA等[32]采用衰减全反射率傅立叶变换中红外光谱与多元分类法检测葡萄花蜜掺假。结果具有近100%的敏感性和特异性；GALLARDO等[33]利用傅立叶中红外光谱结合最小偏二乘法对蜂蜜掺假玉米糖浆及转化糖开展研究。结果得出玉米糖浆、果葡糖浆与蔗糖的预测标准误差分别为1.5～2.1、2.1与1.4，表明这些模型适用于蜜蜂中掺杂物的检测定量。中红外光谱法的快速高效检测食品掺假的特点使其有很好的应用前景，但由于所得光谱数据复杂，常常需要化学计量法处理，这就为数据分析带来难度。
1.3 品种鉴别
由于鲜品与冻品间品质存在差异，目前中红外光谱还可用于鲜冻肉品之间的鉴别。如KAROUI等[34]对白鲑鱼鲜鱼片和冻鱼片采用中红外光谱技术结合PCA和因子判别分析法进行识别，得出波长区域在1 500～900 cm-1与3 000～2 800 cm-1，校正集正确分类率均为100%，预测集的正确分类率分别为75%与87.5%，说明这2个光谱区域均可区别新鲜与冻融鱼样。ALAMPRESE等[35]利用中红外光谱技术鉴别新鲜和冻融大西洋鲻鱼鱼片，通过多元散射校正预处理进行标准化中红外光谱数据，采用线性判别分析技术分类鉴别，得出冻融鱼片与新鲜鱼片的检测准确率分别达到100%与97.2%。吕慧茹等[36]研究表明，傅里叶变换红外光谱与SIMCA识别法联用可有效识别不同年份的宣威火腿。
除在肉制品中的应用外，该技术在饮品方面也有相关研究，如李铁梅等[37]使用傅里叶变换红外光谱仪在1 800～1 000 cm-1区域利用二阶导数红外光谱对6种不同品牌的咖啡进行聚类分析，准确率达93.3%。此外，还可通过中红外光谱技术区分转基因与非转基因食品。如方慧等[38]利用中红外光谱技术对3种不同品种转基因大豆与亲本间鉴别，结果表明3种大豆的建模集与预测集正确率分别为80%与75%。
1.4 成分分析
中红外光谱技术可在复杂背景中分辨出待测物质[39-40]，在食品中低含量物质的检测上意义重大。如HERNNDEZ-MARTMNEZ等[41]采用傅里叶中红外光谱结合PLS法对冷藏过程中的马鲹、椭斑马鲛、大西洋蓝鳍金枪鱼的总脂肪、脂肪酸组成与营养参数变化等指标预测，比较了3种鱼片冷藏期间的腐败参数变化，预测效果良好。中红外光谱技术还能用于检测油脂中所含的成分含量，如吴雪辉等[42]利用傅里叶变换中红外光谱技术检测茶籽油中的甾醇、维生素E与类胡萝卜素等功能因子含量；孙恒等[43]通过中红外光谱结合化学计量法测定了铁皮石斛中总黄酮含量，预测准确率高；陈美林等[44]采用衰减全反射中红外光谱技术实现马铃薯中可溶性蛋白含量的快速检测，利用主成分分析方法进行建模，模型能较准确预测可溶性蛋白含量，满足快速鉴定马铃薯是否为高蛋白品系的需求。
NIERO等[45]利用中红外光谱技术结合偏最小二乘回归方法建立预测模型检测了牛奶的总抗氧化活性。研究表明，牛奶总抗氧化活性的平均水平为6.93 mmol/L，变异系数为15%；高文佳等[46]使用中红外光谱技术结合高效液相色谱法，检测蜂蜜中还原糖和果糖含量，结果检测精度较高。
叶沁等[47]研究了基于傅里叶中红外漫反射光谱技术结合多种化学计量法快速测定精米中直链淀粉含量，结果显示验证集样品预测值与真实值高度相关，预测准确度高，稳定性好。
1.5 品质检测
食品品质是反映其综合价值的重要因素，通过建立快速检测技术，能更好维护消费者的合法权益。油脂是人体重要的营养成分之一，评价油脂品质高低的重要指标有黏度、酸值与折光率。其中，周玲玲等[48]利用傅里叶变换衰减全反射红外光谱法技术同步检测了不加热与160、180、200、220 ℃加热处理植物油的黏度、酸值和折光率。结果表明，标准正态变量变换是最佳预处理方法，模型预测性能良好，能满足植物油品质快速检测需求；EDITHA等[49]采用84种不同的鱼油，其中22种鱼油在不同温度和光照射下加速贮藏，建立了鱼油过氧化值、茴香胺值与酸值预测模型，利用中红外光谱技术检测鱼油品质；SINELLI等[50]利用中红外和近红外光谱技术与化学计量数据分析联用，检测特级初榨橄榄油品质；同时，基于橄榄油样品香气强度，结合中红外光谱建立最小偏二乘模型及判别模型并对其分类，正确率达71.6%。
红外光谱技术同样在酒品与咖啡的检测中得到应用，GAMBETTA等[51]利用衰减全反射结合中红外技术检测霞多丽葡萄酒样品品质，选取1 500～800 cm-1图谱区的光谱信息与偏最小二乘判别分析结合研究得出，2014与2016年葡萄酒样品检测正确率为83%与79%。CRAIG等[52]利用傅立叶变换中红外光谱结合全衰减光反射以漫反射对咖啡豆品质建立分析模型予以区分，结果表明发黑、未成熟、有酸味咖啡豆与品质优良咖啡豆在中红外光谱上存在差异，主成分分析正确率达94%。
2 存在问题与解决办法
中红外光谱等一系列现代食品分析检测技术具有成熟易用、无污染、分析速度快、准确率高、无损且成本较低等优点，目前在食品领域中应用广泛。然而，仍有问题需加以解决。主要表现如下：
(1)食品中化学组分复杂，影响分析结果。食品原料受多种因素的影响，成分相对复杂。不同品种、来源与质量优劣的关键组分，由于其低于检测限，一般难以检测，导致其红外光谱吸收减弱，灵敏度降低。因此，要求研究人员掌握所测食品的光谱信息，并将红外光谱与其他技术结合进行检测分析。
(2)建模困难，研究深度仍然相对不足。模型建立需要大量具有代表性的样品，但产品所含成分由于食品在生产和加工过程中的变化因素而存在差异，这给建模样品的选择带来很大困难，也限制了模型的普适性。同时，目前关于食品产地溯源、品质鉴定、真伪鉴别等全球性数据库还未建立。这就要求研究人员在建模时尽可能选择具有代表性和多样性的建模样品，建立数据库，使光谱技术能更好满足实际需要。
3 结论
随着科学技术的发展，中红外光谱技术在一系列新技术的基础上为研究物质结构提供了更多更有效的手段。作为方便快捷、无损高效的现代分析检测技术之一，中红外光谱技术被广泛应用于食品检测中，在食品的产地溯源、真假掺伪、品种鉴别与品质检测等方面意义重大。然而，该技术的应用还不够完善，仍需加以改进，将其与其他技术联用，使之发挥更大作用，得到理想结果。因此，后期可从如下方面开展工作：(1)中红外光谱同其他计量学方法与软件相结合是发展的必然趋势，如与化学计量法相结合，有助于光谱图分析与实验结果的可重复性；寻求创建新的化学计量学方法，开发相关软件也是后期的研究方向；(2)红外光谱检测仪正由大型研究级向小型便携式转变。小型便携式仪器方便使用者随时随地使用，不拘泥于实验室，可在短时间内筛选出大量样品，使用方便快捷。同时，开发在线检测设备，实现样品在线检测，提高样品检测准确度，对开发食品无损检测具有重要意义；(3)建立全面广泛的全球性数据库。这项工作需要光谱学研究人员互助合作，数据共享，才能建立更加全面完善的标准红外图谱库，以便中红外光谱技术的使用，促进该技术发展。此外，还可与其他波段的光谱技术联用，开发多波段光谱联用技术，提高光谱仪器设备的适用性与广度。
总之，在科技不断发展的进程中，中红外光谱技术将以其方便、快捷与高效，逐渐成为食品检测中的主要研究手段，具有广阔的应用前景。
[1] ALIAKBARZADEH G,SERESHTI H,PARASTAR H.Fatty acids profiling of avocado seed and pulp using gas chromatography-mass spectrometry combined with multivariate chemometric techniques[J].Journal of the Iranian Chemical Society,2016,13(10)：1 905-1 913.
[2] 马悦,赵乐凤,吕子燕,等.高效液相色谱-四极杆-静电场轨道阱高分辨质谱分析桑葚中黄酮类和多酚类物质[J].质谱学报,2017,38(1)：45-51.
[3] SHI L K,ZHANG M M,LIU Y L.Concentration and survey of phthalic acid esters in edible vegetable oils and oilseeds by gas chromatography mass spectrometry in China [J].Food Control,2016,68:118-123.
[4] 孙兴权,赵禹,杨春光,等.液相色谱-高分辨质谱联用技术在食品欺诈检测鉴别中的应用[J].色谱,2016,34(7):647-656.
[5] 顾文,孙志兵,李建珍.高效液相色谱法同时测定保健食品中低聚果糖和低聚木糖[J].中国微生态学杂志,2018,(12):1 396-1 401.
[6] 温家欣,吴凤丹,曹雅静,等.高效液相色谱-串联质谱法测定蜂胶及以其为原料的保健食品中的氯霉素[J].色谱,2018,36(12):1 284-1 289.
[7] 李井涛,孙迪,刘洋.气相色谱法测定食用油中BHA和BHT残留量的对比研究[J].食品安全质量检测学报,2018,9(1):173-177.
[8] 程天赋,蒋奕,张翼飞,等.基于低场核磁共振研究不同解冻方式对冻猪肉食用品质的影响[J].食品科学,2019,40(7):20-26.
[9] 李冰莲,杨光昕,谷麟.酶联免疫法检测海洋贝类中的荧蒽[J].分析试验室,2019,38(2):196-201.
[10] MACHADO J C,FARIA M A,et al.Varietal discrimination of hop pellets by near and mid infrared spectroscopy [J].Talanta,2017:S0039914017312328.
[11] 刘燕德,胡军,唐天义,等.中红外光谱对甲醇汽油甲醇含量检测研究[J].光谱学与光谱分析,2019,39(2):459-464.
[12] 高亚文,欧昌荣,汤海青,等.光谱技术在水产品鲜度评价中的应用[J].核农学报,2016,30(11):2 210-2 217.
[13] 梁秋曼,南良康,陈明新,等.利用中红外光谱MIR预测奶牛饲料效率的研究进展[J].中国奶牛,2018(10):5-8.
[14] CLARK C J,COONEY J M,HOPKINS W A,et al.Global mid-infrared prediction models facilitate simultaneous analysis of juice composition from berries of actinidia,ribes,rubus and vaccinium species [J].Food Analytical Methods,2018,11(11):3 147-3 160.
[15] HAITAO S,YAOGENG L,LUCIANA L P,et al.Evaluation of near-infrared (NIR)and Fourier transform mid-infrared (ATR-FT/MIR)spectroscopy techniques combined with chemometrics for the determination of crude protein and intestinal protein digestibility of wheat[J].Food Chemistry,2019,272:507-513.
[16] GORDON R,CHAPMAN J,POWER A,et al.Unfrazzled by fizziness:identification of beers using attenuated total reflectance mid-infrared spectroscopy and multivariate analysis [J].Food Analytical Methods,2018,11(9):2 360-2 367.
[17] GORDON R,CHAPMAN J,POWER A,et al.Mid-infrared spectroscopy coupled with chemometrics to identify spectral variability in Australian barley samples from different production regions[J].Journal of Cereal Science,2019,85:41-47.
[18] HU Leqian,YIN Chunling,MA Shuai,et al.Assessing the authenticity of black pepper using diffuse reflectance mid-infrared Fourier transform spectroscopy coupled with chemometrics[J].Computers and Electronics in Agriculture,2018,154:491-500.
[19] GORDON R,CHAPMAN J,POWER A,et al.Mid-infrared spectroscopy coupled with chemometrics to identify spectral variability in Australian barley samples from different production regions[J].Journal of Cereal Science,2019,85:41-47.
[20] UR
OOKOV
V,SDECK J.Determination of geographical origin of alcoholic beverages using ultraviolet ,visible and infrared spectroscopy:A review[J].Spectrochimica Acta,Part A:Molecular and Biomolecular Spectroscopy,2015,10(3):131
[21] 伶俐,李梦华,李景明,等.近、中红外光谱法融合判定葡萄酒产地[J].光谱学与光谱分析,2014,34(10):2 662-2 666.
[22] 吕伟奇,张霁,赵艳丽,等.不同产地黄硬皮马勃的红外光谱鉴别方法研究[J].河南农业科学,2016,45(1):104-107；142.
[23] 朱哲燕,张初,刘飞,等.基于中红外光谱分析技术的香菇产地识别研究[J].光谱学与光谱分析,2014,34(3)：664-667.
[24] 龚海燕,罗晓,雷敬卫,等.不同产地金银花中红外光谱分析[J].中医学报,2016,31(1):96-98.
[25] GEORGOULI K,MARTINEZ D R,KOIDIS J A.Continuous statistical modelling for rapid detection of adulteration of extra virgin olive oil using mid infrared and Raman spectroscopic data[J].Food Chemistry,2017,217:735-742.
[26] 张婧,单慧勇,杨仁杰,等.基于近-中红外相关谱融合判定掺伪芝麻油[J/OL].光子学报,2017,1-7.
[27] 位丽娜,刘翠玲,赵琦,等.基于中红外光谱技术的芝麻油掺伪检测[J].食品科技,2015,12:265-271.
[28] 周密,宋哲,龚蕾,等.傅里叶变换红外光谱鉴别芝麻酱中掺杂花生酱[J].中国调味品,2018,43(10):160-163.
[29] HORN B,ESSLINGER S,PFISTER M,et al.Non-targeted detection of paprika adulteration using mid-infrared spectroscopy and one-class classification-Is it data preprocessing that makes the performance?[J].Food Chemistry,2018,257:112-119.
[30] JIA L,YU W,NAN D,et al.Authentication of lotus root powder adulterated with potato starch and/or sweet potato starch using Fourier transform mid-infrared spectroscopy [J].Food Chemistry,2013,141(3):3 103-3 109.
[31] BETTINA H,SUSANNE E,MICHAEL P,et al.Non-targeted detection of paprika adulteration using mid-infrared spectroscopy and one-class classification-Is it data preprocessing that makes the performance[J].Food Chemistry,2018,257:112-119.
[32] CAROLINA S W M,MARCELO M S,et al.Detection of adulterants in grape nectars by attenuated total reflectance Fourier-transform mid-infrared spectroscopy and multivariate classification strategies [J].Food Chemistry,2018,266:254-261.
[33] GALLARDO-VELZQUEZ T,OSORIO-REVILLA G,ZU
IGA-DE L M,et al.Application of FTIR-ATR spectroscopy and multivariate analysis to the quantification of adulterants in Mexican honeys [J].Food Research International,2009,42(3):313-318.
[34] KAROUI R,LEFUR B,GRONDIN C,et al．Mid-infrared spectroscopy as a newtool for the evaluation of fish freshness [J].International Journal of Food Science and Technology,2007,42(1):57-64.
[35] ALAMPRESE C,CASIRAGHI E．Application of FT-NIR and FT-IRspectroscopy to fish fillet authentication[J].LWT-Food Science and Technology,2015,63(1):720-725.
[36] 吕慧茹,刘刚,时有明,等.傅里叶变换红外光谱结合SIMCA对宣威火腿鉴别研究[J].光谱学与光谱分析,2018,38(S1):79-80.
[37] 李铁梅,刘刚,时有明,等.六种速溶咖啡的傅里叶变换红外光谱鉴别研究[J].光谱学与光谱分析,2018,38(S1):71-72.
[38] 方慧,张昭,王海龙,等.基于中红外光谱技术鉴别转基因大豆的方法研究[J].光谱学与光谱分析,2017,37(3):760-765.
[39] MANUELIAN C L,PENASA M,GIANGOLINI G,et al.Short communication:Fourier-transform mid-infrared spectroscopy to predict coagulation and acidity traits of sheep bulk milk[J].Journal of Dairy Science,2019,102(3)：1 927-1 932.
[40] ASSIS C,HEBERT V P,VICTORIA S A,et al.Combining mid infrared spectroscopy and paper spray mass spectrometry in a data fusion model to predict the composition of coffee blends[J].Food Chemistry,2019,281:71-77.
[41] HERNNDEZ-MARTNEZ M,GALLARDO-VELZQUEZ T,et al.Application of MIR-FTIRspectroscopy and chemometrics to the rapid prediction of fish fillet quality [J].CyTA-Journal of Food,2014,12(4):369-377.
[42] 吴雪辉,王泽富.红外光谱快速测定油茶籽油中主要功能活性成分含量的模型建立与评价[J].中国油脂,2018,43(10):140-143.
[43] 孙恒,金航,胡强,等.红外光谱结合化学计量学快速预测铁皮石斛中总黄酮含量[J].光谱学与光谱分析,2018,38(6):1 702-1 707.
[44] 陈美林,陈业,张玉婷,等.衰减全反射中红外光谱测定马铃薯中可溶性蛋白含量[J].中国粮油学报,2018,33(12):118-126.
[45] NIERO G,PENASA M,COSTA A,et al.Total antioxidant activity of bovine milk:phenotypic variation and predictive ability of mid-infrared spectroscopy [J].International Dairy Journal,2018.
[46] 高文佳,张海华,马雪巍,等.基于中红外光谱法快速检测蜂蜜中还原糖的研究[J].中国蜂业,2017,68(5):52-54.
[47] 叶沁,赵紫薇,徐明雅,等.基于中红外漫反射光谱技术测定精米中直链淀粉含量的研究[J].中国粮油学报,2018,33(2):115-119；127.
[48] 周玲玲,姚志湘,粟晖,等.ATR/FTIR法检测植物油的品质指标[J].中国油脂,2016,41(4):96-99.
[49] EDITHA G,OLE W,SASCHA R,et al.Determining quality parameters of fish oils by means of 1H nuclear magnetic resonance,mid-infrared,and near-infrared spectroscopy in combination with multivariate statistics [J].Food Research International,2018,106:116-128,
[50] SINELLI N,CERRETANI L,DI E V,et al.Application of near (NIR)infrared and mid (MIR)infrared spectroscopy as a rapid tool to classify extra virgin olive oil on the basis of fruity attribute intensity [J].Food Research International,2010,43(1):369-375.
[51] GAMBETTA J M，COZZOLINO D，BASTIAN S E P，et al.Classification of chardonnay grapes according to geographical indication and quality grade using attenuated total reflectance mid-infrared spectroscopy[J].Food Analytical Methods,2019,12(1):239-245.
[52] CRAIG P A,FRANCA S A,OLIVEIRA S L.Evaluation of the potential of FTIR and chemometrics for separation between defective and non-defective coffees [J].Food Chemistry,2012,132(3):1 368-1 374.