高光谱成像技术在食品检测中的应用
“民以食为天，食以安为先”，食品安全一直是全社会最为关注的问题之一。但由于食品种类多样，且从生产、加工、储藏到运输过程中可能接触到的污染源种类繁多，传统的检测方法受限于时效和人力，对许多保质期短的食品束手无策。因此，无论是对工厂、消费者还是质检人员来说，探索一种快速无损的食品检测方案具有重要现实意义。
易科泰致力于生态-农业-健康研究发展与创新应用，专注于光谱成像技术在上述领域的研发集成及技术推广，凭借多年科研仪器技术研发集成经验，引进国际先进的高光谱成像传感器技术，通过“光谱指纹”特征差异来反映不同食品的理化特性，及有机化合物组成和分子结构信息，进而有效反映食品中的化学成分或微生物污染情况。充分将“图谱合一”、“光谱立方”应用到食品检测领域，为该领域提供全面的高光谱成像应用方案。
一、应用案例
1.1 污染检测
高光谱成像技术在果蔬中的农药污染、动物制品中的粪便残留物污染、及各类食品中的微生物等污染检测中都表现出了出色的辨识能力。
上左图为混有5%麦角菌粉末的面粉样本真彩色图，右图为高光谱图像处理后的分类结果，其中白色的部分为面粉，灰色为麦角菌1。
上图为在4oC低温保存不同时长的鸡肉切片上大肠杆菌和假单胞菌菌株的分布情况，假彩色可表征细菌浓度。可利用此数据结果及时决策：抛弃或者及时采取措施进行补救处理。
1.2 食品掺假
食品掺假也是令人头疼的食品质量问题之一，许多与原材料相似但有害成分的掺入，很难通过传统方式检测识别，而高光谱成像技术通过光谱差异即可快速准确的输出检测结果。
上图（a）为在优质猪肉糜中掺入不同浓度猪颈肉的样本假彩色图，（b）为基于高光谱成像技术的分类结果示意图2
1.3 品质检测
食品中关键营养成分的含量是决定其品质高低的重要指标，将某一类待测物质的化学计量学特征与高光谱数据建立关联模型，即可快速无损的输出该成分的浓度分布图。
上图为5个不同品花生的含油量的可视化高光谱分类图3
1.4分类检测
食品产地溯源、混合加工食品中的原料分类等也是高光谱成像技术的拿手好戏。
上图为鉴别不同品牌花草茶中原料成分的实验a)为校准用的标准样品，b)为高光谱图像的分类结果及不同成分的占比4。
食品安全问题与每一个人的生活息息相关，高光谱成像技术已在世界范围内被广泛应用于多场景、快速无损的食品检测领域，并且能输出可视化的检测结果和统计数据，让食品检测工作更加的直观方便快捷。
二、高光谱产品特点
灵活多样化选配方案：VNIR、NIR、SWIR、MWIR、LWIR可选
高信噪比、高稳定性、高分辨率、高帧频
内置程序自动进行黑白参考校准，无需额外手动执行校准命令
配备400-2500nm全波段卤素灯，无需更换光源
俯视+侧视全方位视角
可选配超高分辨率RGB成像及颜色分析
全线产品适配SpectraScan光谱成像扫描系统
预留集成方案，可扩展性强，空陆双基、野外及室内方案可选
三、高光谱成像仪选型
| 相机型号 | IQ | FX10 | PFD4K | sCMOS | FX17 | SWIR |
| 波段范围（nm） | 400-1000 | 900-1700 | 1000-2500 | |||
| 光谱分辨率（FWHM） | 7nm | 5.5nm | 3.0nm | 2.9nm | 8nm | 12nm |
| 波段 | 204 | 224 | 768 | 946 | 224 | 288 |
| 空间分辨率 （像素） |
512 | 1024 | 1775 | 2184 | 640 | 384 |
| 光圈值 | F/1.7 | F/1.7 | F/2.4 | F/2.4 | F/1.7 | F/2.0 |
| 信噪比 | ＞400:1 | 600:1 | 1000:1 | 1050:1 | ||
| 帧频 | 内置推扫 | 330 | 100 | 100 | 670 | 450 |
| 重量 | 1.3kg | 1.26kg | 2.7kg | ＞2.0kg | 1.56kg | ＞14kg |
附：参考文献
1. Vermeulen, P., Ebene, M. B., Orlando, B., Pierna, J. A. F. &
Baeten, V. Online detection and quantification of particles of ergot
bodies in cereal flour using near-infrared hyperspectral imaging. Food
Addit. Contam. Part A 34, 1312–1319 (2017).
2. Jiang, H., Cheng, F. & Shi, M. Rapid Identification and
Visualization of Jowl Meat Adulteration in Pork Using Hyperspectral
Imaging. (2020). doi:10.3390/foods9020154
3. Jin, H., Ma, Y., Li, L. & Cheng, J. Rapid and Non-destructive
Determination of Oil Content of Peanut ( Arachis hypogaea L . ) Using
Hyperspectral Imaging Analysis. (2016). doi:10.1007/s12161-015-0384-3
4. Djokam, M., Sandasi, M., Chen, W., Viljoen, A. & Vermaak, I.
applied sciences Hyperspectral Imaging as a Rapid Quality Control Method
for Herbal Tea Blends. 1–16 (2017). doi:10.3390/app7030268
