EI收录，
入选中国科技期刊卓越行动计划
本文获国家重点研发计划项目（2023YFD2101000）。
摘要
食品质量安全问题受到世界各国的广泛关注，消费者和企业迫切需要更快速且无损的检测方法来评估食品的品质变化和安全性。高光谱成像（Hyperspectral imaging，HSI）技术作为一种无损检测手段，近年来在食品品质控制中发挥着重要作用。HSI能够获取样品丰富的光谱信息，结合化学计量学和计算机建模技术后可实现食品品质多维分析，为食品质量的评估提供参考。因此，本文介绍了HSI的基本原理、系统组成和数据处理方法，总结了其在食品加工和保藏过程中品质检测的应用进展，并探讨了该技术现有的不足及未来发展趋势，以期为HSI技术在食品行业中的进一步研究和应用提供参考。
结果与分析
HSI 技术是综合了多门学科的新兴无损检测技术，其集合了光谱学、图像学、计算机编程应用以及信息分析处理等技术。一般来说，典型的高光谱成像系统由光谱仪、带有电荷耦合器件（CCD）或互补金属氧化物半导体（CMOS）传感器的高性能相机、照明设备、电动机控制的载物台和配备图像采集软件的计算机组成（图 1）。根据成像光谱仪的特点，HSI 光谱仪可分为三种类型：扫帚式、推扫帚式和可调滤光片。扫帚和推扫帚式二者区别在于扫帚式通过逐点扫描空间中的样品从而获取像素光谱，而推扫帚式则逐行扫描样本获取像素光谱，因此扫帚式也称为点扫描，推扫帚式也称为线扫描，其中推扫帚式是最常见、应用最广泛的、食品行业中最受欢迎的一种。可调滤光片通过扫描一个波长的所有像素，获得一个又一个波长的图像，也称为波长扫描、图像扫描、面扫描。
HSI 技术通过 HSI 设备捕获从 200~2500 nm 区域的电磁波谱，具体涵盖紫外波段（200~400 nm）、可见光波段（400~780 nm）及近红外波段（780~2500 nm），以数十至数百个连续细分的光谱波段对目标样品进行成像，从而生成一个包含二维空间信息（x，y）和一维光谱信息 λ（i=0，1，...，n；n 为正整数）的三维数据立方体，也称为“超立方体”。图 2 显示了 HSI 超立方体的示意图，清晰地揭示了光谱和空间维度之间的关系。因食品的化学成分和物理特征具有差异性，这些差异性使其特定波长的吸收度、分散度、反射率以及电磁能量等光谱信号也随之不同，HSI 技术就是基于这些不同的光谱信号，进行定性或定量分析的无损检测技术。HSI 技术不仅捕获了样品的空间信息，还同时捕获了其光谱信息，通过分析物体在不同波长下的反射或透射等特性，能够生成每个像素点的光谱曲线，这个光谱曲线类似于指纹具有唯一性，可根据这些大量的光谱和空间信息，分析样品内部和外部细微的物理和化学品质特征，从而实现对物体的精确识别和分类。
近年来，随着元器件和算法的进步，HSI 技术在食品加工和保藏过程中品质检测的研究越来越多，以下对近年来 HSI 技术在烹饪、干燥、腌制、发酵、冷藏、冷冻等食品加工和保藏过程中的应用进行了讨论与总结。
烹饪是一种普遍应用的食品热处理方法，它不仅可以通过加热杀灭食品中的微生物，还可以显著改善食品的感官品质。烹饪又分为湿式烹饪和干式烹饪。湿式烹饪是指利用水或蒸汽对食物进行烹饪的热处理方法，常见的方式有水煮和清蒸；干式烹饪是指利用热源在无水环境中对食物进行烹饪的热处理方法，常见方式有热风烘烤、明火烧烤和爆炒等。近年来，研究者们发现 HSI 技术可用于食材烹饪品质检测，在指导烹饪工艺优化的应用上具有巨大潜力。如表 2 所示，Yuan 等利用 HSI 技术结合 PLSR和 PCR 算法构建了熟滩羊肉中高铁肌红蛋白含量的预测模型，该模型准确率达到了 76.5%，可用于预测熟滩羊肉在烹饪过程中高铁肌红蛋白的含量变化以进一步评估烹饪条件对其颜色的影响；Kamruzzaman 等运用 HSI 技术对羊肉在烧烤过程中剪切力的变化进行了预测，该结果表明 PLSR 算法构建的预测模型准确率最高，达到了 94.5%；刘昱微和Konda Naganathan 等则运用 HSI 技术对牛肉在烹饪过程中剪切力的变化进行了预测，刘昱微发现LS-SVM 算法构建的模型可较好地应用于牛肉微波烹饪过程中剪切力变化的预测（准确率 87.3%），而Konda Naganathan 发现 Fisher 线性判别（FLD）算法更适合用来构建牛肉烘烤过程中剪切力变化的预测模型（准确率 87%）。以上的研究表明，HSI 技术不仅可以用来评估食材烹饪过程中颜色的变化，还可以用来预测评估其质构品质的变化。
食品干燥是一种通过除去食品中的水分来降低其水分活度，抑制微生物生长和食品腐败的加工方法，主要有热风干燥、对流干燥、喷雾干燥、真空干燥、冷冻干燥等。然而，食品干燥过程中必须严格控制干燥条件以防止食品品质受损，过度的干燥可能导致食品的收缩、裂纹和表面硬化，影响食品的外观和口感；此外，食品的热敏性营养成分和色素也会因长时间的高温处理而被破坏。食品的色泽和水分含量是干燥的关键品质指标，已有研究表明 HSI 技术可快速无损地对这两个品质指标进行检测。如表 3所示，Xu 等采用 HSI 技术对虾在热风干燥过程中的颜色变化进行了预测，结果表明通过 LS-SVM 算法构建的模型对虾肉 L *、a *和 b *值的预测准确率分别为 89.8%、91.9% 和 90.6%；Younas 等利用 HSI技术对蘑菇热风干燥过程中的水分含量进行了预测，通过 BPNN 算法优化，该预测模型的准确率达到了96.4%，可用于评估蘑菇干燥的程度；Cui 等和Ramo 等应用 HSI 技术预测了金银花和鸡蛋在干燥过程中的水分变化，通过 ANN 和 PLS 算法优化，这两个模型的预测准确率分别达到了 94.7% 和95.3%；龙家美尝试运用 HSI 技术结合 PLS 和SVM 算法构建红枣热风干燥过程中的水分含量预测模型，结果表明这两个模型都有较好的预测准确率，分别为 99.5% 和 98.9%。以上研究表明 HSI 技术可用于监测食品关键品质指标在干燥过程中的变化情况，在指导干燥工艺优化的应用上具有一定潜力。
2.3 高光谱成像技术在食材腌制品质检测中的应用
冷藏（0~10 ℃）和冷冻（−18 ℃ 以下）是常见的食品保鲜保存方式，能够无损地监测食品在冷藏和冷冻过程中的品质变化，对于食品安全性和品质的保证具有重要意义。目前已有大量研究运用 HSI 技术对肉类及海产品在冷藏冷冻过程中的新鲜度进行无损检测，其中主要的检测指标有细菌总数（Total viablebacteria count，TVC）、挥发性盐基氮值（Total volatile base nitrogen，TVBN）和硫代巴比妥酸值（Thiobarbital acid，TBA）等。如表 6 所示，谢安国等、Achata 等和 Khoshnoudi-Nia 等利用 HSI 技术分别结合 ANN、PLSR 和 MLR 算法，构建了猪肉、牛肉和虹鳟鱼 TVC 的检测模型，用于评估新鲜度，结果显示三种模型的预测准确率分别为 88%（ANN，猪肉）、96%（PLSR，牛肉）和 89%（MLR，虹鳟鱼），其中 PLSR 模型在牛肉新鲜度检测中表现最优；张凡等、Cai 等和 Zhuang 等基于 HSI 技术分别对羊肉、鸡胸肉和猪肉的 TVBN 进行检测，并通过LS-SVM、卷积神经网络（CNN）和 PLSR 构建模型，三种模型的准确率分别为 93%（LS-SVM，羊肉）、85%（CNN，鸡胸肉）和 94%（PLSR，猪肉） ，其中PLSR 猪肉检测模型的准确率最高；Fan 等和Cheng 等采用 HSI 技术对羊肉和猪肉的 TBA 进行检测，运用 LS-SVM 和 CNN 构建模型，两种模型的预测准确率分别为 83% 和 92%。以上结果表明HSI 技术可应用于肉类及海产品新鲜度的快速无损检测，为肉类及海产品品质监控提供了重要的技术参考。
目前，HSI 技术推广应用仍面临一些问题和挑战：a.设备成本高且依赖进口。HSI 系统所使用的光学元件和高性能芯片主要依赖进口，设备购买维护成本高，尽管随着技术的成熟 HSI 设备的成本正逐渐下降，但与一些传统的分析方法相比它仍然较为昂贵；b.设备系统构成复杂且占用空间大。HSI 系统构成复杂，需要一定的空间安装设备，也限制了其大规模推广应用；c.数据分析难度大，操作人员技术门槛高。在数据分析方面，HSI 单次扫描可生成数百个波段下包含空间和光谱信息的数据，导致原始数据中存在大量冗余信息，需要高效的降维算法和强大的计算服务器进行处理。此外，构建精准模型还需化学计量学和分析化学等专业知识进行数据筛选与优化，这对操作人员的跨学科能力提出极高要求，进一步提高了该技术推广应用的门槛；d.环境适应性差，难以匹配工业节奏。受限于当前 HSI 系统硬件和软件的性能，HSI 技术还无法实现一些场景的原位检测，例如在烹饪场景中，现有研究多聚焦于蒸烤等静态场景，但由于高温烟雾、食材快速移动及非均匀性变化等干扰因素，HSI 技术还难以实现中式爆炒等动态烹饪场景中食材品质变化的原位检测。在实际工业生产场景中，生产线上的样品往往处于高速移动状态，传统 HSI 设备扫描速度较慢，难以匹配高速生产线的节奏，而生产环境中的粉尘、机械振动与温湿度变化也易导致光学系统稳定性下降，进一步限制了其在实际场景中的规模化应用。
为了降低 HSI 技术的应用成本和门槛，提高该技术的准确性和实用性，光学相机 RGB 转换技术、便携式 HSI 检测装备开发以及多技术联用是当前HSI 检测技术发展的主要趋势。在光学相机 RGB转换技术中，研究者会先使用光学相机采集样品的RGB 数据，随后通过反演算法将样品的 RGB 数据转化为高光谱数据，将该数据与样品通过 HSI 扫描建立的原始判别模型进行比对后就能实现样品关键指标的检测。该技术的应用能够显著降低 HSI 系统的应用成本并简化数据收集与分析过程，在具有样品原始 HSI 模型数据库的基础上，未来用户终端只需配备几台合适的光学相机就能实现样品的高光谱检测。Zhao 等就成功利用 RGB 转换技术实现了麦麸发酵过程中关键理化指标的检测，该方法简化了传统高光谱技术所需的数据处理量并降低了该技术的应用成本，显著提高了高光谱成像技术的实用性和可及性。除 RGB 转换技术外，开发便携手持式的高精度 HSI 检测装备也是 HSI 技术的发展趋势。随着半导体和光子技术的进步，通过利用更高集成度的光学电子元件以及改进的模块化设计，可进一步提高仪器的光谱与空间分辨率，同时显著减小其体积和重量。Bruno 团队在最新的研究中已经展示了一种便携式 HSI 装备，该装备在检测薯片中丙烯酰胺的含量上也表现出较好的稳定性。为了提高 HSI 检测的准确度，研究者近年来也尝试将 HSI 技术与激光雷达（light laser detection and ranging，LiDAR）、太赫兹（Terahertz，THz）和机器视觉等技术联用以实现样品多模态信息采集与分析。多技术联用不仅能构建样品多维度的信息图谱扩展探测维度，进行多模态数据分析后还能显著提高样品关键指标的检测准确度。例如，Zhang 等利用 HSI 融合 THz 技术建立了番茄叶片霉病诊断模型，相较于传统单一 HSI 模型 80%~90% 的识别准确率，该模型叶片霉菌识别率超过了 95%。
此外，无论是 RGB 转换技术、便携式 HIS 检测设备的开发，还是多模态数据的整合分析，均依赖于更为先进的智能算法。随着人工智能模型与机器学习等技术的持续发展与深度融合，HSI 技术正逐步由单一成像工具向具备多维信息感知与解析能力的智能检测系统演进，这一转变将显著提升食品品质无损检测的精度与效率，为其提供更为可靠的技术支持。
HSI 技术凭借其快速无损的优势，已成为食品品质检测的重要手段，通过获取样本光谱图像、提取特征信息并建立预测模型等步骤，目前 HSI 已经实现了对食品在烹饪、干燥、腌制、发酵、冷藏和冷冻等加工贮藏过程中品质变化的快速无损检测。然而，其产业化推广应用也存在硬件成本高、设备工作环境要求高、数据处理技术门槛高等限制。为了解决HSI 技术推广应用的难题，提高其稳定性和普适性，近年来科学家们也在 RGB 转换技术、多模态数据融合处理以及便携式集成式设备的开发上取得了一定的进展。未来随着技术的发展，HSI 设备将向低成本、高精度、便携化方向发展，通过融合人工智能和机器学习等先进技术，也将进一步提高 HSI 数据处理效率和装备智能化的程度。相信在未来，HSI 技术将为食品加工和贮藏过程中的品质监控提供更可靠的技术支持。
Citation: LI Jian, YAO Zhien, WANG Jinhua, et al. Research Progress of Hyperspectral Imaging Technology in Food Quality Detection[J]. Science and Technology of Food Industry, 2025, 46(23): 485−492. (in Chinese with English abstract). doi: 10.13386/j.issn1002-0306.2025060057.
通讯作者简介
或登录www.spgykj.com阅览全文。
往期回顾
精选文章
查看更多 →
国家重点研发计划|黑龙江八一农垦大学张东杰教授、李娟副教授：稻草秸秆纤维素基埃洛石纳米管负载牛至精油缓释抗菌膜的制备与性能分析
阅读量:18000+ · 2025-12-29
国家市场监督管理总局科技计划项目|国家市场监督管理总局田明研究员、山西大学张国华教授：澳新食品健康声称管理体系研究及启示
阅读量:12000+ · 2025-12-29
国家青年自然科学基金|南京财经大学吴思邈副教授：调味性汲取液在正渗透技术浓缩苹果汁中的研究
阅读量:9000+ · 2025-12-29
热门话题
查看更多 →
《食品工业科技》特邀主编专栏征稿
《食品工业科技》特邀主编专栏征稿：标准化赋能食品及相关产品高质量发展☚
☚
群聊：食品工业科技作者群
温
馨
提
示
我刊正式组建微信作者群，为作者提供更多的学术与论文资讯，如需进群，请联系刘老师（微信：上方二维码,电话：87244117-8062）。
版权声明
