王建偉　陶飛

摘 要：近紅外光譜技術(shù)作為一種快速、高效、無損的分析技術(shù)，已被廣泛應(yīng)用于農(nóng)產(chǎn)品檢測領(lǐng)域。近紅外光譜技術(shù)結(jié)合化學(xué)計量學(xué)方法，可有效實現(xiàn)農(nóng)產(chǎn)品營養(yǎng)成分和質(zhì)量安全的檢測，亦可用于農(nóng)產(chǎn)品產(chǎn)地溯源和作物育種。該文綜述了近紅外光譜技術(shù)在農(nóng)產(chǎn)品檢測中的應(yīng)用現(xiàn)狀，并對其今后的發(fā)展進(jìn)行了展望。

關(guān)鍵詞：近紅外光譜;農(nóng)產(chǎn)品;檢測;應(yīng)用進(jìn)展

中圖分類號 O657.3 文獻(xiàn)標(biāo)識碼 A文章編號 1007-7731（2021）17-0155-04

Application Research Progress of Near Infrared Spectroscopy Technology in Agricultural Products Detection

WANG Jianwei1，2 et al.

（1School of Life Sciences， Tianjin University， Tianjin 300072， China; 2Hangzhou Wahaha Group Co.， Ltd， Hangzhou 310009， China）

Abstract： As a fast， efficient， low-cost， non-destructive analysis technology， near infrared spectroscopy technology has been widely used in the field of agricultural products detection. Near infrared spectroscopy technology combined with chemometric methods can effectively realize the detection of the nutritional content and quality of agricultural products， and can also be used for geographic origin determination and breeding. This article reviews the applications of near infrared spectroscopy technology in agricultural products detection， and prospects its future development.

Key words： Near infrared spectroscopy; Agricultural products; Detection; Application progress

近年來，隨著生活水平的不斷提高，人們對農(nóng)產(chǎn)品營養(yǎng)價值和質(zhì)量安全的要求越來越高，然而傳統(tǒng)的分析檢測方法存在操作復(fù)雜、檢測耗時長、對樣品具有破壞性等缺點，難以滿足當(dāng)前快速檢測的需求。在農(nóng)產(chǎn)品產(chǎn)地鑒定方面，目前主要依靠經(jīng)驗判斷或賣家信譽(yù)，這給了不法商販以次充好的動機(jī)。在作物育種方面，基于分子生物學(xué)的轉(zhuǎn)基因檢測方法對檢測人員的專業(yè)技能要求高，且實驗操作復(fù)雜、檢測耗時長，難以進(jìn)行大規(guī)模推廣。

近紅外光譜技術(shù)是20世紀(jì)80年代發(fā)展起來的一種無損檢測技術(shù)，目前已被廣泛應(yīng)用于食品、藥品、農(nóng)業(yè)等領(lǐng)域[1-2]。近紅外光譜技術(shù)利用分子中含氫基團(tuán)（如C-H、N-H、O-H等）間振動的倍頻與合頻的吸收光譜，分析獲得分子的狀態(tài)、組成、結(jié)構(gòu)等信息。近紅外光譜技術(shù)的常規(guī)分析流程如下：采集樣品的光譜數(shù)據(jù)，測定樣品相關(guān)指標(biāo)的標(biāo)準(zhǔn)值，建立定性或定量預(yù)測模型，通過建立的模型對未知樣品的相關(guān)指標(biāo)進(jìn)行預(yù)測。

近紅外光譜技術(shù)是一種集光譜分析、化學(xué)計量學(xué)和計算機(jī)技術(shù)于一體的現(xiàn)代光譜分析技術(shù)，相比常規(guī)化學(xué)分析方法，其具有快速、無損、無試劑消耗的優(yōu)點。近年來，隨著近紅外光譜儀器和化學(xué)計量學(xué)算法的不斷進(jìn)步，近紅外光譜分析技術(shù)的研究領(lǐng)域也在不斷擴(kuò)大。目前，近紅外光譜技術(shù)已被廣泛應(yīng)用于農(nóng)產(chǎn)品檢測領(lǐng)域，如農(nóng)產(chǎn)品營養(yǎng)成分檢測、質(zhì)量安全檢測、產(chǎn)地溯源和作物育種等。

1 近紅外光譜技術(shù)用于農(nóng)產(chǎn)品檢測的優(yōu)勢

近紅外光譜技術(shù)是利用物質(zhì)對近紅外光的吸收、反射、散射、透射等特性，對待測樣品進(jìn)行定量或定性分析的檢測技術(shù)。目前，近紅外光譜技術(shù)已被廣泛應(yīng)用于農(nóng)產(chǎn)品檢測領(lǐng)域，這與其獨(dú)特的優(yōu)勢密不可分。

首先，從理論上說，所有可產(chǎn)生近紅外光譜的物質(zhì)均可用近紅外光譜技術(shù)分析，有些無法直接產(chǎn)生近紅外光譜的物質(zhì)也可通過其關(guān)聯(lián)產(chǎn)物的近紅外光譜進(jìn)行分析，因而其檢測指標(biāo)比較豐富。其次，近紅外光譜技術(shù)無需對樣品做復(fù)雜的預(yù)處理，它可直接分析液態(tài)、粉末狀、顆粒狀等形態(tài)的樣品，且檢測過程不消耗試劑、不破壞樣品。再次，近紅外光譜技術(shù)具有透射式、漫反射式、透反射式等檢測方式，且近紅外光的穿透性較好，適用于多種生物樣本的分析，增加了該技術(shù)的適用性。最后，近紅外光譜技術(shù)的檢測速度快，通常幾秒內(nèi)即可完成對樣品的檢測，可顯著提高檢測效率，使實時檢測變?yōu)榭赡堋?/p>

2 近紅外光譜技術(shù)在農(nóng)產(chǎn)品檢測中的應(yīng)用

近紅外光譜技術(shù)作為一種快速、無損、綠色的分析技術(shù)，近年來在農(nóng)產(chǎn)品營養(yǎng)成分檢測、質(zhì)量安全檢測、產(chǎn)地溯源和作物育種等領(lǐng)域都發(fā)揮了重要作用。

2.1 營養(yǎng)成分檢測 蛋白質(zhì)、脂肪、淀粉等物質(zhì)是農(nóng)產(chǎn)品的主要營養(yǎng)成分，它們的含量高低會直接影響到農(nóng)產(chǎn)品的食用口感、加工特性和營養(yǎng)價值，因而對農(nóng)產(chǎn)品營養(yǎng)成分的檢測具有重要意義。農(nóng)產(chǎn)品中營養(yǎng)成分的常規(guī)檢測方法為基于化學(xué)分析或儀器分析的方法，此類方法具有操作復(fù)雜、檢測時間長、具有破壞性等缺點，不適合大規(guī)模、實時檢測。近紅外光譜技術(shù)具有不破壞樣品、快速、準(zhǔn)確的優(yōu)點，已被廣泛應(yīng)用于農(nóng)產(chǎn)品營養(yǎng)成分檢測。

王勇生等[3]研究了近紅外光譜技術(shù)應(yīng)用于高粱中粗蛋白質(zhì)檢測的可行性。在采集110份高粱的近紅外光譜數(shù)據(jù)，并用國標(biāo)方法檢測其粗蛋白質(zhì)含量后，采用一階導(dǎo)數(shù)+多元散射校正對光譜進(jìn)行預(yù)處理，通過偏最小二乘法建立了定標(biāo)模型。模型的交互驗證相對分析誤差為4.97，外部驗證相對分析誤差為3.32，可精確地評估高粱中粗蛋白質(zhì)的含量。

喬瑤瑤等[4]以燕麥為研究對象，對其近紅外光譜數(shù)據(jù)進(jìn)行預(yù)處理后，用神經(jīng)網(wǎng)絡(luò)技術(shù)建立了燕麥中脂肪含量的預(yù)測模型。實驗結(jié)果表明，所建立的燕麥中脂肪含量預(yù)測模型對驗證集的相關(guān)系數(shù)為0.962，均方根誤差為1.607，具有較好的預(yù)測準(zhǔn)確性，可用于燕麥脂肪含量的快速測定。

唐忠厚等[5]利用近紅外光譜技術(shù)對甘薯中淀粉和糖類物質(zhì)含量的快速檢測進(jìn)行了研究。在完成甘薯樣品的近紅外光譜采集和標(biāo)準(zhǔn)化學(xué)值測定后，他們利用多種光譜預(yù)處理方法和偏最小二乘法建立了甘薯中淀粉、蔗糖、葡萄糖和果糖含量的預(yù)測模型。實驗結(jié)果表明，淀粉、蔗糖、葡萄糖和果糖預(yù)測模型的交叉驗證決定系數(shù)分別為0.997、0.991、0.990和0.994，驗證樣品預(yù)測值和化學(xué)值的相關(guān)系數(shù)達(dá)0.990以上，模型可用于甘薯中淀粉和糖類含量的快速檢測。

李楠等[6]探索了近紅外光譜技術(shù)應(yīng)用于大豆氨基酸快速檢測的可行性。通過掃描大豆樣品的近紅外光譜數(shù)據(jù)，并用高效液相色譜法分析樣品中18種氨基酸的標(biāo)準(zhǔn)含量，獲得建模數(shù)據(jù)集。在完成光譜數(shù)據(jù)預(yù)處理后，采用偏最小二乘回歸法建立了18種氨基酸的定量分析模型。由實驗結(jié)果可知，天冬氨酸、谷氨酸、絲氨酸、甘氨酸、酪氨酸、苯丙氨酸、亮氨酸和異亮氨酸模型具有較好的預(yù)測性能，其校正決定系數(shù)皆大于0.73，可用于大豆中氨基酸含量的準(zhǔn)確預(yù)測。

黃亮等[7]對花椰菜中營養(yǎng)成分硫代葡萄糖苷的近紅外快速檢測方法進(jìn)行了研究。他們收集了2個品種（松花和雪白）的花椰菜樣品，采集其近紅外光譜數(shù)據(jù)，并用分光光度法測定硫代葡萄糖苷的標(biāo)準(zhǔn)含量。在完成光譜數(shù)據(jù)預(yù)處理和主成分提取后，用偏最小二乘回歸法建立了定量分析模型。實驗結(jié)果表明，松花花椰菜模型對預(yù)測集的預(yù)測相關(guān)系數(shù)為0.89，預(yù)測均方根誤差為0.63，雪白花椰菜模型對預(yù)測集的預(yù)測相關(guān)系數(shù)為0.73，預(yù)測均方根誤差為0.46，模型可快速、準(zhǔn)確地檢測花椰菜中硫代葡萄糖苷的含量。

2.2 質(zhì)量安全檢測 近年來，農(nóng)產(chǎn)品質(zhì)量安全問題頻發(fā)，農(nóng)藥殘留、摻假、微生物污染等問題時有出現(xiàn)，農(nóng)產(chǎn)品質(zhì)量安全問題越來越受到人們的關(guān)注。氣相色譜、高效液相色譜、氣質(zhì)聯(lián)用等儀器分析方法是農(nóng)產(chǎn)品質(zhì)量安全檢測的常規(guī)方法，但此類方法操作復(fù)雜、耗時、費(fèi)用昂貴，難以滿足快速檢測的需求。近紅外光譜技術(shù)因其快速、經(jīng)濟(jì)、無損的特點，在農(nóng)產(chǎn)品質(zhì)量安全檢測領(lǐng)域有著巨大的應(yīng)用前景。

李敏[8]以小白菜和氯氟氰菊酯農(nóng)藥為研究對象，采集了不含農(nóng)藥、含輕度農(nóng)藥殘留、含重度農(nóng)藥殘留小白菜樣品的近紅外光譜數(shù)據(jù)。光譜數(shù)據(jù)經(jīng)小波軟閾值預(yù)處理和主成分分析后，用線性判別分析和K近鄰分類方法進(jìn)行鑒別。實驗結(jié)果表明，算法對小白菜有無農(nóng)藥殘留及農(nóng)藥殘留輕重程度的鑒別準(zhǔn)確率達(dá)到90%以上，為蔬菜農(nóng)藥殘留定性檢測提供了參考。

王淑賢等[9]以普洱茶和香精為研究對象，掃描了不含香精、含不同濃度香精（香豆素、香蘭素和乙基麥芽酚）的普洱茶樣品的近紅外光譜數(shù)據(jù)。光譜數(shù)據(jù)經(jīng)二階導(dǎo)數(shù)和多元散射校正進(jìn)行預(yù)處理后，采用偏最小二乘法分別建立了3種香精的普洱茶摻假定量預(yù)測模型。模型對香豆素、香蘭素和乙基麥芽酚的預(yù)測決定系數(shù)分別為0.7989、0.7350、0.6938，預(yù)測均方根誤差分別為0.1461、0.1678、0.1800，可實現(xiàn)摻假普洱茶中3種香精成分的快速檢測。

曹海燕等[10]利用近紅外光譜技術(shù)，對紫薯半干面菌落總數(shù)和新鮮度鑒定進(jìn)行了研究。他們將制作完成的紫薯半干面儲存于20°C恒溫培養(yǎng)箱放置不同時間，獲得了含不同菌落總數(shù)和新鮮度的樣品，然后掃描樣品的近紅外光譜數(shù)據(jù)，并用國標(biāo)方法對樣品的菌落總數(shù)進(jìn)行檢測。獲得的光譜數(shù)據(jù)經(jīng)標(biāo)準(zhǔn)歸一化預(yù)處理后，采用主成分分析結(jié)合馬氏距離的定性判別分析建立了新鮮度定性判別模型，正確識別率達(dá)到100%。用偏最小二乘法建立了菌落總數(shù)定量預(yù)測模型，模型的預(yù)測決定系數(shù)為0.975，預(yù)測均方根誤差為0.445。實驗結(jié)果表明，近紅外光譜技術(shù)可用于快速檢測紫薯半干面的菌落總數(shù)和新鮮度。

孫通等[11]利用近紅外光譜技術(shù)對食用植物油中的腐霉利的定性檢測進(jìn)行了研究。他們配制了含不同腐霉利濃度的植物油樣品，并根據(jù)國家標(biāo)準(zhǔn)所規(guī)定的閾值，將樣品分為合格組和不合格組。在掃描樣品的近紅外光譜數(shù)據(jù)后，利用無信息變量消除方法進(jìn)行波長篩選，并用判別偏最小二乘法建立了分類模型，模型對預(yù)測集樣本的分類正確率為98.7%，靈敏度為95.0%，特異性為100.0%，可實現(xiàn)植物油質(zhì)量的快速定性檢測。

王超等[12]利用近紅外光譜技術(shù)對煙葉質(zhì)量等級快速檢測進(jìn)行了研究。研究人員采集了來自不同產(chǎn)地、不同質(zhì)量等級的煙葉樣品，根據(jù)外觀標(biāo)準(zhǔn)劃分為7個質(zhì)量等級，并掃描樣品的近紅外光譜數(shù)據(jù)。經(jīng)光譜數(shù)據(jù)預(yù)處理后，應(yīng)用偏最小二乘定性判別方法建立了煙葉質(zhì)量等級定性判別模型，模型對預(yù)測集的預(yù)測標(biāo)準(zhǔn)差不大于1.35，滿足實際應(yīng)用要求。

2.3 產(chǎn)地溯源 隨著生活水平的不斷提高，地域特色農(nóng)產(chǎn)品越來越受到市場認(rèn)可。這些產(chǎn)品通常具有較好的經(jīng)濟(jì)效益，但常有不法商販?zhǔn)芾骝?qū)使，對地域特色農(nóng)產(chǎn)品進(jìn)行以假亂真、以次充好，既損害了消費(fèi)者利益，也打擊了生產(chǎn)者的積極性。因此，對農(nóng)產(chǎn)品產(chǎn)地溯源的研究具有重要意義，近紅外光譜技術(shù)已發(fā)展成為一種重要的農(nóng)產(chǎn)品產(chǎn)地溯源技術(shù)。

唐艷等[13]以122批西洋參樣品為研究對象，采集其近紅外光譜信息，采用正交偏最小二乘判別分析法，建立西洋參不同產(chǎn)地和規(guī)格的辨識模型，實驗結(jié)果表明，該模型可有效提取近紅外光譜圖上存在的差異信息，實現(xiàn)了國產(chǎn)和進(jìn)口西洋參樣品的有效鑒別，以及西洋參飲片和藥材的辨識，可應(yīng)用于西洋參產(chǎn)地和規(guī)格的判別。

顧玉琦等[14]采集了來自5個不同產(chǎn)地鐵皮石斛樣品的1000～1650nm近紅外光譜數(shù)據(jù)，結(jié)合簇類獨(dú)立軟模式法建立了5個產(chǎn)地樣品的分類模型，在對訓(xùn)練集和驗證集進(jìn)行預(yù)測時，模型的識別準(zhǔn)確率均為100%，在對來自其他產(chǎn)地的鐵皮石斛進(jìn)行預(yù)測，樣品拒絕率都為100%，證明了上述模型可準(zhǔn)確鑒別來自不同產(chǎn)地的鐵皮石斛。

賴長江生等[15]對47份產(chǎn)自陜西、湖北、四川和浙江的靈芝樣品進(jìn)行了近紅外光譜掃描和多糖含量測定，利用隨機(jī)森林算法實現(xiàn)了靈芝產(chǎn)地的有效區(qū)分，使用偏最小二乘回歸分析法，經(jīng)光譜數(shù)據(jù)預(yù)處理，成功地構(gòu)建了靈芝多糖含量的預(yù)測模型。實驗結(jié)果表明，不同產(chǎn)地靈芝的多糖含量質(zhì)量分?jǐn)?shù)為1.93%～3.99%。

李春美等[16]采集來自廣西、貴州和西藏的三七樣本各20個，利用10000～3000cm-1的光譜數(shù)據(jù)，并用距離匹配算法進(jìn)行建模，模型對上述3個產(chǎn)地三七的識別率在95%以上，證明了近紅外光譜技術(shù)可用于中藥產(chǎn)地的快速檢測。

李余進(jìn)等[17]以3個產(chǎn)地的普洱茶樣品為研究對象，采集了其在1100～2498nm的近紅外光譜數(shù)據(jù)，并用判別分析法建立了普洱茶產(chǎn)地識別定性分析模型。模型對校正集和驗證集的識別正確率分別為98.15%、100%，可快速、無損地識別普洱茶產(chǎn)地。

2.4 作物育種 隨著現(xiàn)代農(nóng)業(yè)的發(fā)展，為提高農(nóng)作物產(chǎn)量，減少農(nóng)藥使用，預(yù)防病蟲害威脅，轉(zhuǎn)基因育種日益受到重視。在轉(zhuǎn)基因育種時，必須判定所導(dǎo)入的外源基因是否在作物中成功表達(dá)。目前，常規(guī)的基因篩查方法是基于分子生物學(xué)的檢測技術(shù)，其操作復(fù)雜，具有較高的專業(yè)技能要求，不利于推廣。近紅外光譜可反映基因變異相關(guān)的蛋白質(zhì)分子吸收信息，可應(yīng)用于轉(zhuǎn)基因農(nóng)作物檢測。

劉桂松等[18]采用有監(jiān)督、無監(jiān)督模式識別算法結(jié)合SG平滑模式篩選，成功建立了應(yīng)用于轉(zhuǎn)基因甘蔗育種篩查的可見-近紅外光譜檢測模型。模型對轉(zhuǎn)基因樣品檢驗識別率為92.5%，具有較好的識別效果，表明可見-近紅外光譜可捕捉到甘蔗植株的轉(zhuǎn)基因信息，可用于轉(zhuǎn)基因甘蔗育種篩查，對于其他農(nóng)作物的轉(zhuǎn)基因檢測也有一定的借鑒作用。

謝麗娟等[19]用可見-近紅外光譜技術(shù)對轉(zhuǎn)基因和非轉(zhuǎn)基因的番茄葉片進(jìn)行了定性分析，實驗采集46個樣本（26個轉(zhuǎn)基因，20個非轉(zhuǎn)基因）用于建模，22個樣本（12個轉(zhuǎn)基因，10個非轉(zhuǎn)基因）用于驗證，實驗結(jié)果顯示，判別分析法較偏最小二乘判別法有更好效果，模型分類的準(zhǔn)確率為89.7%。此外，他們[20]也進(jìn)一步驗證了，不論是轉(zhuǎn)基因番茄葉、番茄果實還是番茄汁，都可以通過測量它們的可見-近紅外光譜并結(jié)合化學(xué)計量學(xué)方法，實現(xiàn)轉(zhuǎn)基因樣品的快速、無損鑒定。

于燕波等[21]對轉(zhuǎn)基因和非轉(zhuǎn)基因的中作321、TP309和日本晴的水稻葉片開展了單品種轉(zhuǎn)基因識別研究，采用偏最小二乘法建立了近紅外光譜轉(zhuǎn)基因識別模型。結(jié)果表明，中作321轉(zhuǎn)基因識別模型的識別正確率達(dá)98.84%，TP309轉(zhuǎn)基因識別模型的識別正確率達(dá)98.46%，日本晴轉(zhuǎn)基因識別模型的識別正確率達(dá)73.49%。

芮玉奎等[22]借助近紅外光譜技術(shù)，對轉(zhuǎn)基因玉米及其親本在4000～8000cm-1波段內(nèi)進(jìn)行了光譜掃描，并建立了神經(jīng)網(wǎng)絡(luò)識別模型，結(jié)果表明，所建立的模型對10個驗證樣品的類型預(yù)測準(zhǔn)確率為100%，在轉(zhuǎn)基因農(nóng)產(chǎn)品育種領(lǐng)域有一定的應(yīng)用價值。

方慧等[23]利用近紅外光譜技術(shù)，對不同品種轉(zhuǎn)基因大豆及其親本的鑒定進(jìn)行了研究。實驗采集了3種非轉(zhuǎn)基因大豆親本及其轉(zhuǎn)基因大豆品種的光譜數(shù)據(jù)，采用偏最小二乘-判別分析建立了3種大豆的定性判別模型。結(jié)果表明，3種大豆判別模型對預(yù)測集的判別正確率分別為83%、85%和85%，表明近紅外光譜技術(shù)可以較為準(zhǔn)確地鑒別轉(zhuǎn)基因大豆。

3 展望

近紅外光譜技術(shù)作為一種快速、無損、高效的檢測技術(shù)，已被廣泛應(yīng)用于農(nóng)產(chǎn)品檢測領(lǐng)域。利用近紅外光譜技術(shù)結(jié)合化學(xué)計量學(xué)方法，建立農(nóng)產(chǎn)品關(guān)鍵成分的定量或定性分析模型，可對消費(fèi)者關(guān)系的農(nóng)產(chǎn)品營養(yǎng)成分、質(zhì)量安全、產(chǎn)地指標(biāo)進(jìn)行快速檢測，亦可用于作物育種，在農(nóng)產(chǎn)品檢測領(lǐng)域發(fā)揮了重要作用。但近紅外光譜技術(shù)也存在一些不足，比如建模樣本的化學(xué)值測量過程十分繁瑣耗時、模型建立過程對化學(xué)計量學(xué)算法等專業(yè)知識要求較高、檢測過程仍需要人工參與。因此，如何降低近紅外光譜技術(shù)的應(yīng)用門檻，提高檢測過程的自動化水平，將是今后近紅外光譜技術(shù)領(lǐng)域的研究重點之一。

近年來，物聯(lián)網(wǎng)、云技術(shù)、機(jī)器人、5G等先進(jìn)技術(shù)發(fā)展迅速，為近紅外光譜技術(shù)的進(jìn)一步推廣提供了機(jī)遇。將近紅外光譜技術(shù)與上述技術(shù)結(jié)合，將進(jìn)一步擴(kuò)展近紅外光譜技術(shù)的應(yīng)用場景和優(yōu)勢。比如，將近紅外光譜技術(shù)與智能化生產(chǎn)線結(jié)合，無須人工參與，即可實現(xiàn)樣品成分的實時檢測;將各種應(yīng)用場景的數(shù)據(jù)和近紅外模型存放于云端，用戶可根據(jù)需要對資源進(jìn)行調(diào)用、更新或補(bǔ)充，降低近紅外光譜技術(shù)的使用門檻。近紅外光譜技術(shù)與前沿技術(shù)的結(jié)合，對于進(jìn)一步減少人力物力消耗、提高檢測效率、降低使用門檻、擴(kuò)展應(yīng)用場景必將起到積極的作用。

作者簡介：王建偉（1991—），男，浙江杭州人，博士，研究方向：近紅外光譜技術(shù)。? 收稿日期：2021-05-18

參考文獻(xiàn)

[1]王艷龍，王勝寶，李新生.近紅外光譜技術(shù)在農(nóng)業(yè)領(lǐng)域的應(yīng)用及展望[J].安徽農(nóng)學(xué)通報，2012，18（15）：33-35.

[2]耿響，周麗萍，馬欣欣，等.基于近紅外光譜的茶粕中含油量和水分快速測定方法研究[J].安徽農(nóng)學(xué)通報，2017，23（16）：130-132.

[3]王勇生，李潔，王博，等.基于近紅外光譜技術(shù)評估高粱中粗蛋白質(zhì)、水分含量的研究[J].動物營養(yǎng)學(xué)報，2020，32（3）：1353-1361.

[4]喬瑤瑤，趙武奇，胡新中，等.采用近紅外光譜技術(shù)的燕麥脂肪含量檢測[J].陜西師范大學(xué)學(xué)報（自然科學(xué)版），2016，44（4）：119-124.

[5]唐忠厚，李洪民，李強(qiáng)，等.基于近紅外光譜技術(shù)預(yù)測甘薯塊根淀粉與糖類物質(zhì)含量[J].江蘇農(nóng)業(yè)學(xué)報，2013，29（6）：1260-1265.

[6]李楠，許韻華，宋雯雯，等.利用近紅外光譜技術(shù)快速檢測大豆氨基酸含量[J].植物遺傳資源學(xué)報，2012，13（6）：1037-1044.

[7]黃亮，薛建新，穆炳宇.基于可見/近紅外光譜技術(shù)快速檢測花椰菜中硫代葡萄糖苷的含量[J].現(xiàn)代食品科技，2021，37（4）：269-274.

[8]李敏.基于近紅外光譜技術(shù)的小白菜農(nóng)藥殘留鑒別分析[J].紅外，2020，41（10）：44-47.

[9]王淑賢，肖航，楊振發(fā)，等.香精摻假普洱茶的近紅外光譜檢測[J].激光與光電子學(xué)進(jìn)展，2020，57（23）：392-397.

[10]曹海燕，潘王盈，施永清，等.近紅外光譜技術(shù)快速檢測紫薯半干面中菌落總數(shù)及新鮮度[J].中國食品學(xué)報，2016，16（10）：160-166.

[11]孫通，莫欣欣，李曉珍，等.近紅外光譜技術(shù)結(jié)合變量選擇方法定性檢測食用植物油中的腐霉利[J].光譜學(xué)與光譜分析，2016，36（12）：3915-3919.

[12]王超，李朋成，楊凱，等.近紅外光譜煙葉質(zhì)量等級快速檢測與等級特征分析[J].光譜學(xué)與光譜分析，2021，41（3）：943-947.

[13]唐艷，王維皓，劉江弟，等.基于近紅外技術(shù)的西洋參質(zhì)量評價及產(chǎn)地鑒別[J].中藥材，2018，41（3）：540-545.

[14]顧玉琦，劉瑞婷，壽國忠，等.應(yīng)用近紅外光譜技術(shù)快速鑒別鐵皮石斛的產(chǎn)地[J].江蘇農(nóng)業(yè)科學(xué)，2016，44（5）：365-368.

[15]賴長江生，周融融，余意，等.基于近紅外分析和化學(xué)計量學(xué)方法對不同產(chǎn)地靈芝快速鑒別及多糖含量測定的研究[J].中國中藥雜志，2018，43（16）：3243-3248.

[16]李春美，陳娜，譚超，等.基于光譜技術(shù)實現(xiàn)中藥三七的真?zhèn)巫R別及產(chǎn)地分析[J].當(dāng)代化工，2020，49（5）：834-837.

[17]李余進(jìn)，李超，李家華，等.基于近紅外光譜的普洱茶產(chǎn)地識別研究[J].湖北農(nóng)業(yè)科學(xué)，2020，59（5）：138-141.

[18]劉桂松，郭昊淞，潘濤，等.Vis-NIR光譜模式識別結(jié)合SG平滑用于轉(zhuǎn)基因甘蔗育種篩查[J].光譜學(xué)與光譜分析，2014，34（10）：2701-2706.

[19]謝麗娟，應(yīng)義斌，應(yīng)鐵進(jìn)，等.可見/近紅外光譜分析技術(shù)鑒別轉(zhuǎn)基因番茄葉[J].光譜學(xué)與光譜分析，2008（5）：1062-1066.

[20]謝麗娟.轉(zhuǎn)基因番茄的可見/近紅外光譜快速無損檢測方法[D].杭州：浙江大學(xué)，2009.

[21]于燕波.近紅外光譜分析技術(shù)在轉(zhuǎn)基因水稻識別和高油棉籽篩選中的應(yīng)用研究[D].北京：中國農(nóng)業(yè)大學(xué)，2014.

[22]芮玉奎，羅云波，黃昆侖，等.近紅外光譜在轉(zhuǎn)基因玉米檢測識別中的應(yīng)用[J].光譜學(xué)與光譜分析，2005（10）：47-49.

[23]方慧，張昭，王海龍，等.基于中紅外光譜技術(shù)鑒別轉(zhuǎn)基因大豆的方法研究[J].光譜學(xué)與光譜分析，2017，37（3）：760-765.

（責(zé)編：張宏民）