随着全球农产品贸易规模的扩大和消费者对食品品质要求的日益提高，农产品品质检测已成为现代农业与食品工业的核心环节。传统的检测方法（如化学分析、色谱法）虽精度较高，但存在耗时长、破坏样品、成本高等不足，难以满足现代农业生产对大批量样本快速筛查和实时监测的需求[1]。在此背景下，近红外光谱技术凭借其快速、无损、环保及多组分同步分析的优势，逐渐成为农产品品质检测领域的研究热点。近红外光谱技术基于分子振动对780～2 500 nm波段光的吸收特性，通过化学计量学模型建立光谱与样本品质参数（如水分、蛋白质、脂肪含量等）的定量或定性关系[2]。近年来，近红外光谱技术在农产品品质检测中的应用研究取得了显著进展。例如，国外学者利用近红外光谱技术成功预测了水果的糖度、酸度和硬度，以及谷物的蛋白质和水分含量[3]。国内研究则主要集中在水果、蔬菜和肉类品质的快速检测上，如苹果糖度、小麦蛋白质和猪肉脂肪的定量分析[4]。为了系统评估近红外光谱技术在农产品品质快速检测中的适用性，本文以苹果、小麦和猪肉为研究对象（这些样本涵盖水果、谷物和肉类3大类农产品，其品质指标具有广泛的变异性，能够充分验证近红外光谱技术的普适性和准确性），建立糖度、蛋白质和脂肪含量的定量预测模型，并探讨其在在线分拣和便携设备中的应用潜力。通过与传统检测方法对比，验证近红外光谱技术在效率、成本和准确性方面的优势，为农产品智能化检测技术的推广提供理论依据和实践参考。
1材料与方法
1.1实验材料
选取3类具有代表性的农产品：苹果、小麦和猪肉（分别采集50份）。苹果从山东烟台某苹果种植基地随机采集，样本在成熟度和大小上具有代表性；小麦从山东烟台小麦某种植基地采集，涵盖不同品种和生长条件的小麦样本；猪肉从山东某屠宰场采集，确保样本来自健康猪只，且屠宰后24 h内完成光谱采集。
1.2光谱采集与参数设置
(1）光谱采集。
选择Bruker Matrix-F型近红外光谱仪，该仪器采用RockSolid干涉仪和DigiTECT数字检测器技术，具备工业级抗干扰能力，适用于田间或加工现场快速无损检测。开机后预热30 min，确保光源和检测器稳定性。在每次实验前采集背景光谱（使用标准白板），以消除环境光干扰。将苹果样本放置在积分球中心，确保光斑覆盖整个样本表面；将小麦粉末均匀铺满样品池，避免颗粒堆积；将猪肉样本切成5 mm厚片，放置在样品台上，确保表面平整。每次扫描后保存光谱数据，并记录样本编号和参考值。
(2）参数设置。
波长范围：780～2 500 nm，覆盖农产品中糖、蛋白质、脂肪等成分的吸收特征峰；分辨率：8 cm-1，平衡精度与扫描效率，确保光谱信号信噪比；扫描次数：32次/样本，通过多次测量取平均值降噪，提升数据稳定性；光程模式：固体样本采用积分球漫反射模式，增强光散射信号；液体样本使用透射池，减少界面反射干扰。
1.3模型建立与验证
采用偏最小二乘法（Partial Least Squares,PLS）进行建模：计算自变量（光谱数据）和因变量（化学成分浓度）的协方差矩阵，并通过迭代算法提取主成分；将提取的主成分作为新的自变量，对因变量进行线性回归建模；重复上述提取主成分和回归建模的过程，直到累计解释变异率达到设定阈值；通过交叉有效性检验确定最佳主成分数目，以优化模型的预测能力[5][6]。
1.4参考值测定
苹果糖度测定：采用Atago PAL-1数显折光仪（型号PAL-1）测量样品折射率，计算糖度（Brix值）。对于同一样本，均重复测量3次，取其平均值作为参考值（下同）。
小麦蛋白质测定：依据《食品安全国家标准食品中蛋白质的测定》（GB 5009.5—2016），采用凯氏定氮法进行样本中蛋白质含量测定。
猪肉脂肪测定：依据《食品安全国家标准食品中脂肪的测定》（GB 5009.6—2016），采用索氏提取法进行样本中脂肪含量测定。
2结果与分析
2.1 PLS分析模型验证
对采集的图谱进行一阶导数、平滑以及范围归一化处理，基于测定的各项参照值，采用PLS建立苹果、小麦和猪肉各化学值预测模型，得到的糖度化学值与近红外预测值对照结果见图1。图1(a）为苹果糖度化学值与近红外预测值对照图，从图中可以看出，数据点紧密分布在拟合线周围，波动极小，所得相关系数R2=0.98，校正均方根误差为0.07%，误差范围小于1%，说明模型可用于苹果糖度的快速检测。图1(b）为小麦蛋白质含量化学值与近红外预测值对照图，从图中可以看出，数据点呈轻微分散趋势，存在小幅波动，但整体仍靠近拟合线，所得相关系数R2=0.90，校正均方根误差为0.12%，与蛋白质含量的测量常见精度水平相符，说明该模型可用于小麦蛋白质含量的快速检测。图1(c）为猪肉脂肪含量化学值与近红外预测值对照图，所得相关系数R2=0.77，校正均方根误差为0.34%。数据点分布较为分散，离散程度较图1(a）和图1(b）更大，表明近红外技术在预测猪肉中脂肪含量时的准确性不如苹果糖度和小麦蛋白质含量。
2.2模型外部样本验证结果
使用该模型对独立验证集样品进行糖度、蛋白质含量和脂肪含量的回测（n=5），并与参照值进行比较，评估模型检测效果。由表1可知，苹果糖度的模型预测值波动较小，平均值为12.43°Bx，与参照值（12.36°Bx）的绝对偏差仅为0.07°Bx。相对偏差为0.57%，苹果糖度的测试结果与参照值接近，表明模型预测精度高。小麦蛋白质含量的模型预测值的波动幅度较小，平均值为11.60%，与参照值（11.48%）的绝对偏差为0.12%，相对偏差为1.05%，略高于苹果糖度的相对偏差，说明小麦蛋白质含量的测试结果波动较为明显，但模型表现仍然合格。猪肉脂肪含量的模型预测值波动幅度较大，平均值为13.57%，参照值为14.21%，绝对偏差为0.64%，相对偏差为4.50%，比上述两个指标的相对偏差大，说明模型在这个参数上的预测性能不太稳定，可能是因为猪肉脂肪模型受肌内脂肪分布不均影响，预测误差较大。
图1 化学值与近红外预测值对照图
表1 模型性能评估
3结论与讨论
近红外光谱技术在农产品品质快速检测中展现出显著的优势，尤其是在苹果糖度、小麦蛋白质含量和猪肉脂肪含量的定量分析中表现出较高的预测精度和效率。采用PLS建立的定量模型进行相关指标预测，结果表明，苹果糖度的预测相关系数R2为0.98，校正均方根误差为0.07%，表现出极高的预测精度；小麦蛋白质含量的预测相关系数R2为0.90，校正均方根误差为0.12%，精度略低于苹果糖度，但仍能满足快速检测的需求；猪肉脂肪含量的预测精度较低，相关系数R2为0.77，校正均方根误差为0.34%，表明该模型在脂肪含量预测上存在一定的局限性，可能是肌内脂肪分布不均等因素影响了模型的稳定性。
尽管近红外光谱检测技术在农产品品质检测中表现出诸多优势，但模型的预测精度受样本均匀性和光谱采集条件的影响较大，尤其是对于脂肪含量等复杂成分的预测误差较大。未来可以通过优化光谱采集条件，减少样本不均匀性对模型精度的影响；开发更加高效的化学计量学算法，提升复杂成分（如脂肪）的预测精度。通过进一步的技术改进和应用推广，近红外光谱技术有望在农产品品质检测领域发挥更大的作用。