近红外光谱仪在农作物和食品中的应用

发布时间:2020-03-27 11:25:49

对于提高农作物产量和可持续耕种方法的需求在不断增加,消费者也对食物的高品质、方便性和选择多样性提出了需求。食品的质量往往取决于内在和外在因素,这些因素是可以被计量并实现的,这使得研究人员寻求把数据应用到农业生产中的新颖方法。

 

近红外光谱在农业应用中的优势

近红外光谱已经在许多应用领域中得到了研究和应用,尤其是这五种产品:水果和蔬菜,肉类和鱼类,饮料和乳制品,谷物和粮食储备,葡萄和橄榄。同时,近红外光谱还在其它相关领域,例如土壤、肥料以及环境中也得到了广泛应用。众所周知,近红外光谱的测量原理简单易学,好处也非常多:不需要样品制备或仅需要很少的样品制备,测量速度快,测量结果准确,测量成本低,既可以在实验室进行也可以在现场进行,并且可以实现多个参数同时测量。

 

手持式近红外反射光谱仪应用

以前Avantes给大家分享过一些近红外光谱的应用,但每天在全球都有使用Avantes光谱仪的新应用被发现。Avantes的基于线性InGaAs探测器的近红外光谱仪家族在2020年迎来了一位新成员AvaSpec-Mini-NIR Avantes其他的标准桌上型近红外光谱仪具有相同的性能和分辨率,但体积只有纸牌大小,因此它适合于精准农业市场。

 

水果和蔬菜

Avantes近红外光谱仪在水果和蔬菜的分级和分拣中被广泛使用,包括但不限于苹果,樱桃,鳄梨,桃和芒果。近红外光谱技术可以快速并无损地检测果蔬的成熟度和质量,例如水分,可溶性糖含量(SSC),酸度,pH值和花青素等芳香族化合物。手持式近红外反射光谱仪还可以对长在树上的水果进行测量。

西班牙正在开发一种机械手臂,它将触觉传感器和近红外光谱仪相结合,用来确定芒果的成熟度。这种类似的应用可以快速推广到其他水果测量,还可以自动确定水果的采摘时间。

 

肉类,鱼和蛋

近红外光谱技术在肉品分级中可以区分蛋白质和脂肪含量,并测量水分含量,颜色,pH值和鲜嫩度指标。它还可以检测常见污染物(如挥发性氮)的存在。在肉类生产中,这些因素极大地影响了肉的质量和等级,从而决定了价格。而在包装过程中的质量控制和检查对于预防食物传染疾病或对欺骗诈消费者的行为也至关重要。

 

光谱法的非破坏性,非化学性可以大大提高产量,例如通过测量蛋壳来监控鸡蛋质量。比利时的研究人员在鸡蛋新鲜度的校正模型的开发方面取得了巨大进展:将鸡蛋保质期与其近红外光谱特征变化关联起来,并将该数据关联到鸡蛋新鲜度的经典(破坏性)测量上。

饮料和乳制品

Avantes的光谱仪还可以用于分析牛奶和其他乳制品中的蛋白质,脂肪,水,碳水化合物和矿物质,以及识别被掺假的产品。例如,奶粉中的残留水分含量多少会影响保质期,并且从质量角度来看,还会影响运输成本和利润。近红外漫反射光谱法对于检测位于930 nm1455nm1940nm处水的吸收峰非常有效,这些吸收峰与水含量是相关的。(4

 

葡萄酒和葡萄生产

近红外光谱已被用作预测葡萄成熟度和表征葡萄参数的测量工具,这些参数会影响葡萄酒的香味和品质,例如可溶性糖含量,酸度和芳香化合物如花青素和多酚。


在收获时的葡萄特征是影响葡萄酒质量的关键因素。近红外光谱反射法作为一种快速、无损的用于评估收获时葡萄质量的测量工具,被业内广泛采用。(5

谷物和饲料

小麦,大麦,大米和大豆生产的研究人员正在研究使用近红外光谱法来监测作物的健康状况和生长状况,识别各种植物病害和污染物,并在收获时评估作物质量,进而用来给农作物评级和定价。

 

Avantes公司最近与美国农业部的一个合作项目最近采用近红外光谱技术来预测小麦收获时蛋白质的含量,并确定需要补充氮肥的时间。小麦的价格取决于谷物中的蛋白质含量,因此使蛋白质含量尽可能多是小麦生产者的重要责任。(6

                    

土壤,有机肥料和其他生长成分

土壤管理对于农业在未来的可持续发展至关重要,对土壤特征的表征可以决定需要对土壤采取何种处理方法或减缓方式,甚至决定哪种作物适合哪些地区。近红外光谱技术可以快速收集土壤的水分,坚实度和土壤密度等信息。(7

 

林业保护

在整个美国西部,灰螟作为入侵物种可以损毁森林并消灭大量树木,进而增加山火危险。山松甲虫同样会毁坏森林并大面积消灭大量树木。如果可以尽早发现甲虫侵扰,就可以帮助公园和林业管理人员在大面积爆发前减轻损害。目前依然依靠人员目视检查,但是手持式近红外仪器可以在现场检测病虫害。(8

 

农业/食品应用人员面临的挑战

近红外漫反射光谱法在农业中的应用往往会面临一个挑战,从光谱数据中提取有用信息需要一些特殊的数据处理方法和开发校正模型。Avantes和我们合作伙伴一起为为农业领域的研发人员提供这个支持。

 

应用开发的早期技术支持

早期应用开发始于开发校正模型,即对获得的在多种条件下样品的光谱数据进行统计建模,使用户能够预测将来的要测量的样品的特征。而且每次测量的结果都可以加到数据库中,从而改善以后的预测结果。

 

References

1.      Cortés, Victoria, Carlos Blanes, José Blasco, Coral Ortíz, Nuria Aleixos, Martin Mellado, Sergio Cubero, and Pau Talens. "Integration of simultaneous tactile sensing and visible and near-infrared reflectance spectroscopy in a robot gripper for mango quality assessment." Biosystems Engineering 162 (2017): 112-123.

2.      Peng, Yankun, and Wenxiu Wang. "Application of near-infrared spectroscopy for assessing meat quality and safety." INTECH-Infrared Spectroscopy-Anharmonicity of Biomoleculcs, Crosslinking of Biopolymers, Food Quality and Medical Applications (2015): 137-163.

3.      Bamelis, F. R., B. J. Kemps, Kristof Mertens, E. M. Verhoelst, Bart De Ketelaere, Eddy Decuypere, and Josse De Baerdemaeker. "VIS-NIR transmission for the assessment of internal egg quality." In European Symposium on the Quality of Eggs and Egg Products edition: XI, Doorwerth, The Netherlands. 2005.

4.      Nagarajan, R., Parul Singh, and Ranjana Mehrotra. "Direct determination of moisture in powder milk using near infrared spectroscopy." Journal of Analytical Methods in Chemistry 2006 (2006).

5.      Guidetti, R., R. Beghi, and L. Bodria. "Evaluation of grape quality parameters by a simple Vis/NIR system." Transactions of the ASABE 53, no. 2 (2010): 477-484.

6.      Long, Dan, John McCallum, Catherine Reardon, and Richard Engel. "Adapting the nitrogen replacement approach to dryland spring wheat in the Pacific Northwest." Crops & Soils 50, no. 5 (2017): 34-37.

7.      Nagy, Attila, Péter Riczu, Bernadett Gálya, and János Tamás. "Spectral estimation of soil water content in visible and near infra-red range." Eurasian Journal of Soil Science 3, no. 3 (2014): 163-171.

8.      Finley, Kaelyn, Sophan Chhin, Pascal Nzokou, and Joseph O’Brien. "Use of near-infrared spectroscopy as an indicator of emerald ash borer infestation in white ash stem tissue." Forest Ecology and Management 366 (2016): 41-52.