堅果的品質(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價的，在開心果的品質(zhì)控制中，缺陷和異物檢測是生產(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時檢測的弊端。近年來，基于彩色成像（RGB）的機器視覺技術在食品加工過程和品質(zhì)控制等方面發(fā)揮了重要作用，但對螨蟲、霉菌以及其他外來物的識別還是存在短板。意大利實驗人員將高光譜成像（HSI）技術應用于開心果的品質(zhì)控制中，對樣品的不同理化特征進行定性和定量分析，為食品的品質(zhì)控制探索更優(yōu)的策略。

      實驗人員隨機選取開心果混合物的不同類型特定樣本，將99個樣品分為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)、細枝(13)以及果核(14)。如圖1.1左，樣本分為訓練集(70%)和驗證集(30%)兩組，首先對原始光譜進行預處理以突顯六類光譜的特征差異。

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

       通過主成分分析(PCA)、應用多變量分類方法的不同分類模型對訓練數(shù)據(jù)集進行訓練，訓練結果如下圖1.2左所示，其中CART預測圖與PCA-kNN的結果相似，獲得了非常好的分類結果，優(yōu)于PLS-DA和PCA-DA獲得的結果。使用不同分類模型對驗證數(shù)據(jù)集進行預測，結果如圖1.2右所示，模型均正確識別了石子，PLS-DA和PCA-DA預測圖相似，顯示了相同的錯誤分類區(qū)域，而CART模型預測圖的特點是錯誤分類像素更分散。PCA-kNN預測圖顯示出最好的結果，單一類別的錯誤分類區(qū)域非常少。

圖1.2 左（a、b、c、d）為訓練結果；右（a、b、c、d）為預測結果
 

      結果表明，基于SWIR波段的高光譜成像技術為開心果品質(zhì)監(jiān)測和控制提供了良好的方法，在工業(yè)應用的離線或?qū)崟r檢測場景中具有廣闊前景。

2、花草茶無損品質(zhì)檢測評估

      隨著消費者對健康關注度的增加，花草茶的消費量也正逐步增加�；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)，具有高重復性和準確度，但耗時且具有破壞性，在含有多種原料的情況下，還需要單獨檢測每種成分，更加耗時耗力。在本研究中，高光譜成像技術作為一種快速且無損地將傳統(tǒng)的光譜學和數(shù)字成像相結合的方法來對花草茶品質(zhì)進行評價和控制。

     茨瓦尼科技大學研究人員使用SWIR高光譜成像采集了購買自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。在沒有相關化學知識的背景下，對兩種原料進行了全面無損的區(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圖(t1 vs t2)
 

      在花草茶快速無損的識別和成分量化中，基于PCA校準模型開發(fā)了PLS-DA模型，如圖2.2左所示，測試集結果與PCA類似，觀察到兩個分離的像素簇，得出了52.8%的化學成分差異，相應的Y-圖像顯示在散點圖旁邊，說明純凈的原料被100%分類。圖2.2右為預測集的RGB圖像和預測結果，其中包括兩個外部測試集樣本和五批花草茶混合物，結果證實了該模型可以準確預測茶混合物成分的特性，預測花草茶混合物僅包含S.tortuosum和C.genistoides兩種原料，并定量預測C.genistoides為主要成分(含量>97%)，而S.tortuosum的含量較低(<3%)，量化結果接近該公司規(guī)定的C.genistoides=96%和S.tortuosum=4%的標準配方。實驗結果表明在涼茶混合物等食品藥品的品質(zhì)評估方面，高光譜成像技術具有良好潛力。

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

 
參考文獻：
[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.