液体乳、乳粉、发酵乳制品等产品因其营养丰富而深受消费者欢迎，但近年来乳制品质量安全事件时有发生，不少乳制品存在掺假、假冒品牌、化学成分或微生物检测不合格的现象，存在一定的食品安全隐患，乳制品的质量问题日益引起人们的重视。目前乳制品的质量控制和监管仍依赖传统的化学检测方法，检测耗时长、操作繁琐、成本高、破坏样品，不能满足企业在线监测和快速分析的要求。因此开发快速、高效的乳制品检测方法对保障其质量安全、市场监管具有重要的意义。近红外光谱（near-infrared spectroscopy，NIR）技术具有高效、准确、检测成本较低、操作简单、不需要对样品进行预处理、无污染、可多组分同时检测等优点[1-3]，可以有效避免传统检测方法相应的不足，可为快速检测提供技术支撑，实现在线监测分析。本文综述了国内外近红外光谱技术在乳制品快速检测中的研究成果，为近红外光谱技术在乳制品加工和质量检测中的应用提供思路和参考。
近红外光谱技术是根据待检样品中某些化学成分，对近红外光谱区的吸收特性而进行的定量或定性检测的分析方法。
按照美国材料与实验协会（American society for testing and materials，ASTM）的定义，本质上近红外光谱是一种电磁波，其波长范围为780～2 526 nm[4]。近红外的吸收光谱来源于分子振动能级的跃迁，同时伴随转动能级跃迁而产生的[5]。近红外光划分为近红外短波（780～1 100 nm）和长波（1 100～2 526 nm）两个区域，发生在该区域内的吸收谱带对应于分子基频振动的倍频和组合频[6-7]。由于近红外光谱与有机分子中含氢基团（-OH，-CH，-SH，-NH）振动的组合频与各级倍频的吸收一致[8-9]，当红外单色光或复合光射穿过待检样品时，如果待测样品的分子选择性地吸收辐射光中某些频率波段的光，则产生吸收光谱。分子吸收了光子后会改变自身的振动能态，产生跃迁[10]。通过扫描待测样品的近红外光谱，样品中的分子选择性地吸收不同频率的近红外光，透射出来的近红外光线就携带样品中有机物结构和组分的信息。通过检测器分析透射光或反射光的光密度，就可以对组分进行定性或定量检测[11-12]。
1.2.1 近红外光谱技术的主要优点
（1）操作简单便捷：常规检测方法需对样品进行一定的预处理，而近红外光谱技术可对样品直接扫描，一般无需样品预处理，操作简单，对检测人员技术要求较低[13]。
（2）效率高，耗时短，可多组分同时检测[14]：近红外光谱技术检测耗时少于1 min，极大地缩短了检测时间，保障生产过程的连续性，且能用于多组分的同时检测，尤其适用于企业在线监测或快速检测。
（3）无需试剂，成本低，不产生污染：近红外光谱分析中只需扫描样品获取光谱信息，不使用任何化学试剂[15]，可以脱离试验试剂的影响，测试过程中不产生污染。
1.2.2 近红外光谱技术存在的不足和缺点
（1）信号提取困难、测量灵敏度低：相比其他含量较高的成分，待检成分的近红外光谱信号较弱，近红外光谱区大量的是重叠谱峰和肩峰，谱峰重叠严重，信号提取困难[16-17]。如发酵乳成分复杂，包含水、蛋白质、脂肪、乳糖、乳酸、盐分、食品添加剂等物质，因此利用近红外光谱分析技术对发酵乳中的某种化学物质含量进行定量分析，属于从复杂、重叠、变动的背景中提取弱信息。直接扫描发酵乳获得的近红外光谱易受基质的干扰，多成分物质造成光谱的背景复杂，增加了近红外光谱分析的难度。
（2）近红外光谱采集的发酵乳原始光谱信息中除包含与待检组分及结构有关的信息外，还可能受检测条件、温湿度、仪器和样品状态等因素的影响[18]。样品中不同组分也会互相影响，导致谱线重叠，低含量组分光谱峰被高含量组分光谱峰掩盖等现象。
与传统检测方法不同，近红外光谱技术采用间接方法对组分进行检测，需要借助化学计量学方法来实现对未知样品的定性或定量分析。被测物质的近红外光谱取决于样品的组成和结构，二者存在一定的函数关系。借助化学计量学方法，通过校正，可确定样品的组成、结构与近红外光谱的函数关系。通过扫描样品获得待测样品的近红外光谱，就可根据函数关系，快速计算出各种数据。
逐步多元线性回归法（stepwisemultiplelinearregression，SMLR）的检测原理是依据波长变量对分析组分的偏相关系数的大小依次将波长变量引入回归方程，需要设定适当的选入和剔除水平[19-20]。
主成分回归法（principal component regression，PCR）的检测原理是先求出样品集光谱矩阵的主成分矩阵，再建立主成分矩阵和样品成分含量矩阵的函数关系，通过建立的函数关系对未知样品进行预测[21-22]。
偏最小二乘法（partial least squares，PLS）是一种全光谱分析技术，是化学计量学中常用的数据处理方法[23]。运用PLS进行数据分析，分别求出样品集光谱矩阵和样品组分矩阵的主成分矩阵，将其相关联，求其线性函数关系，根据所建立的函数来预测未知样品[24-26]。
近红外光谱技术具有快捷、高效、无创、低成本、可多组分同时检测等优点，目前已广泛应用于乳制品的定量和定性分析，包括掺假识别、微生物快速检测、化学成分快速检测、快速鉴定牛奶品牌等方面。
乳制品中含有丰富的营养物质，但乳制品掺假现象时有发生，严重危害人体健康。因此，对掺假乳制品的准确检测具有重要意义。金垚等[27]采用近红外漫反射光谱法分析了源自4个厂家的不同品牌、不同种类的224个牛奶及还原奶样品，采用主成分分析（principal component analysis，PCA）对其进行聚类分析，以此建立牛奶的品种鉴定及掺假识别模型，可以实现对不同品牌的牛奶及掺假牛奶的正确识别，该方法方便、快速、准确。魏玉娟等[28-29]运用近红外光谱技术结合模式识别方法对液态奶中违法添加三聚氰胺进行快速检测，采用PLS判别法结合近红外光纤技术对牛奶中三聚氰胺不同掺假量的快速识别研究，所构建的偏最小二乘判别分析（partial least-square discriminant analysis，PLSDA）方法模型对三聚氰胺不同掺假量牛奶样品训练集和预测集的近红外原始光纤谱的识别正确率分别达到100%和90.32%。CHEN H等[30]研究了利用近红外光谱和一类偏最小二乘法检测牛奶中三聚氰胺掺假的可行性。样品集为102个液体乳。以特殊的变量重要性指数来选择40个最重要的变量。32个纯牛奶样品构成了构建一级模型的训练集，其他样本则作为测试集。结果表明，在该独立测试装置上，其总准确率为89%，灵敏度为90%，特异性为88%。结合利用近红外光谱和一类偏最小二乘法，可作为牛奶样品中三聚氰胺快速现场筛选的潜在工具。
目前乳制品的微生物检测多采用传统的培养方法，检测周期较长，容易造成监控数据滞后现象，无法满足在线检测要求。利用近红外光谱技术能够反应微生物细胞的分子振动信息特点，具有快捷、高效、准确、无损、低成本等优势，有利于乳制品行业对微生物进行在线监控。
王建明等[31]利用傅里叶变换近红外光谱技术分别采集被阪崎肠杆菌、金黄色葡萄球菌、大肠杆菌三种致病菌污染的牛奶样品的近红外透射光谱，预处理选用一阶求导、标准正态变量变换、多元散射校正，结合偏最小二乘判别分析对三种细菌判别的可行性进行探究。研究表明，利用NIR技术结合化学计量学方法经过合适预处理方法后能有效用于乳制品中微生物类别的鉴别。CÁMARA-MARTOS F等[32]利用近红外光谱技术对牛奶中的大肠埃希氏菌和铜绿假单胞菌进行了定量分析，近红外扫描范围4 000～10 000 cm-1，经过24 h培养后的牛奶样品，其定量模型效果更好。AL-QADIRI H M等[33]利用可见和短波近红外光谱（600～1 100 nm）及多元分析监测巴氏杀菌乳在三个不同的储存温度（6 ℃、21 ℃、37 ℃）条件下3～30 h内的质量损失，比较了PCR、簇独立软模式分类法、PLS三种建模方法对巴氏杀菌乳腐败变质程度的预测能力。主成分分析表明，在不同的储存时间内样品具有明显的聚类和分离特性。簇独立软模式分类法对培养30 h后的样品进行鉴别的正确率达到88%～93%。利用PLS建立菌落总数和pH值的定量分析模型，其相关系数分别为0.99和0.99。研究结果表明利用短波近红外光谱技术对巴氏杀菌乳的细菌增殖水平和腐败程度进行快速、无损检测是可行的。
近红外光谱分析技术在乳制品化学成分检测中有很多成功的应用，如可准确快速检测牛奶中蛋白质、脂肪、碳水化合物等多种成分的含量。
CHEN H等[34]采用近红外光谱技术和互信息变量选择对奶粉的分类和定量进行研究，对4个品牌179个样品进行分类研究，对30个样品进行定量分析。在分类研究方面，基于所选变量集的PLSDA模型与全谱PLSDA模型进行了比较，两者均达到了100%的精确度。在定量分析方面，由260个变量选择的子集构造的偏最小二乘回归模型明显优于全谱模型。WU D等[35]利用短波近红外（800～1 050 nm）技术和波长分配定量分析奶粉中的主要化合物。研究以回归系数和载荷为评价指标，对比了PLS和基于最小二乘支持向量机算法（least-squares support vector machine，LS-SVM）两种化学计量学方法对脂肪、蛋白质和碳水化合物含量定量分析模型的预测性能。结果显示选择优化波长区域比全短波长近红外区域的评价指标更好，使用LS-SVM建模，脂肪、蛋白质和碳水化合物的回归系数分别为0.981、0.984和0.982。LIN P等[36]结合非线性多元方法和可见近红外光谱技术（visible near infrared spectroscopy，Vis/NIRS）检测干酪中的蛋白质含量，研究了运用基于核函数的偏最小二乘算法（kernelpartialleastsquares，KPLS）、支持向量机（supportvector machine，SVM）和反向传播人工神经网络（back propagation artificial neural network，BP-ANN）等非线性多元方法和Vis/NIRS组合的建模效果，采用增广部分残差图方法对原始光谱数据进行非线性诊断，分别采用多元散射校正、标准正态变量变换、Savitzky-Golay二阶导数和直接正交信号校正对光谱数据进行预处理和比较，最终后者并被选定为预测模型的预处理方法。以相关系数（R2）、根均方误差（root mean square error，RMSE）和剩余预测偏差（residual predic tivedeviation，RPD）作为指标对模型的性能进行评价，DOSCKPLS模型的R2和RPD得分最高，分别为0.974和5.587，比其他模型具有更好的预测性能。
品牌是消费者挑选乳制品的一个重要因素，针对乳制品假冒、贴牌、以次充好的问题，近红外光谱技术在乳制品的品牌鉴别和溯源方面也有一些初步的应用研究。
管骁等[37]结合近红外光谱技术和简易分类技术，对光明、荷兰、雀巢、伊利四个品牌138批次乳粉进行了分类溯源研究。采用平滑、归一化、二阶求导对光谱数据进行预处理之后，利用简易分类技术建立主成分回归分类模型，结果显示，光明、荷兰、雀巢乳粉的识别率分别为78%、75%、100%，拒绝率为100%、87%、88%。尽管模型稳健度较低，存在错误识别，仍具备一定的品牌溯源能力，为乳粉品牌溯源和鉴别提供新思路。卞希慧等[38]结合近红外光谱技术和化学模式识别方法，以伊利、蒙牛和海河三种品牌50批次的样品为研究对象，采用系统聚类分析和偏最小二乘判别分析两种方法，建立液体牛奶品牌快速鉴别模型。研究结果表明，1 mm光程的样品池测量效果最好，系统聚类分析的分类正确率为86%，偏最小二乘法判别分析正确率为100%。INACIO M R C等[39]利用近红外光谱技术对乳粉进行分类，共采集了巴西的纳塔尔、萨尔瓦多以及里约热内卢的38组乳粉的近红外光谱数据，预处理后结合简易分类技术最终模型的分类精度100%。
近红外光谱技术在乳制品的快速检测领域已进行了一些探索性研究工作，初步证明了该技术是可行有效的，但仍存在以下问题有待进一步研究：（1）模型的稳定性和可靠性需要进一步提高。由于乳制品组分复杂，其近红外光谱的数据变量较为分散，有效信息较少，干扰信号较多，导致模型的准确度和稳定性较低。（2）在定量分析中，多数研究的样品集是局部地区的产品，适用范围具有局限性，建模的样品集数量较少，代表性不足。（3）目前乳制品的近红外快速检测研究，大多数仍处于可行性探索，缺乏系统性研究，模型的适应性有待考究。将试验阶段的模型运用于实际检测工作中，仍需进行多方面系统、深入的探索。今后的研究可以通过筛选大量有代表性的样品，剔除异常值，扩充样品集的种类和数量，优化建模的计算分析软件等方法来提高模型的稳定性和适应性。
近红外光谱技术具有传统检测方法无法企及的优势，虽然离实际应用还有一段距离，但近红外光谱技术作为一种新型的绿色分析方法，在企业生产的在线或无损检测，以及质监部门的现场检测等领域都有广阔的发展前景和积极的应用意义。
[1]何吉子，陈秀明，梁瑞婷，等.应用傅立叶变换近红外光谱检测婴幼儿配方奶粉中的乳糖含量[J].中国酿造，2019，38（3）：193-196.
[2]韩四海，郭玉姗，李璇，等.基于近红外光谱技术检测白酒基酒中乙醇含量的研究[J].中国酿造，2018，37（9）：158-161.
[3]王琼雅，夏君霞，吴镇君，等.近红外光谱分析技术在植物蛋白饮料定量分析中的应用[J].中国酿造，2017，36（11）：143-148.
[4]常毅.近红外光谱技术在微生物发酵过程中的应用研究[D].无锡：江南大学，2014.
[5] STARK E,LUCHTER K,MARGOSHES M.Near-infrared analysis:a technology for quantitative and qualitative analysis[J].Appl Spectr Rev,1986,22(4):335-339.
[6]吴远远，陆辉山，高强，等.基于近红外光谱技术的老陈醋可溶性固形物定量分析[J].中国酿造，2016，35（8）：69-72.
[7]王君，刘蓉.近红外光谱技术在液态食品掺假检测中的应用[J].食品工业科技，2016，37（7）：374-380，386.
[8]杰克·沃克曼，洛伊斯·文依编著，诸小立，等译.近红外光谱解析实用指南[M].北京：化学工业出版社，2009：12-13.
[9]陈令奕.近红外模型更新方法及在食品检测中的应用[D].无锡：江南大学，2018.
[10]HAN S H,ZHANG W W,LI X,et al.Rapid determination of ethyl pentanoate in liquor using Fourier transform near-infrared spectroscopy coupled with chemometris[J].Spectrosc Lett,2016,49(7):464-468.
[11]张豪.近红外检测模型在乙醇生产中的开发及应用[D].杭州：浙江大学，2017.
[12] GARDE-CERDAN T,LORENZO C,ALONSO G L,et al.Employment of near infrared spectroscopy to determine oak volatile compounds and ethylphenols in aged red wines[J].Food Chem,2010,119(2):823-828.
[13]李霞.基于近红外光谱技术的赤霞珠干红葡萄酒品质指标检测方法研究[D].咸阳：西北农林科技大学，2018.
[14]范海滨.近红外光谱快速检测红曲菌固态发酵参数的研究[D].无锡：江南大学，2014.
[15]周林峰.黄酒主要品质的近红外光谱检测模型建立与转移的研究[D].杭州：中国计量学院，2013.
[16]VIEGAS T R,MATA A L M L,DUARTE M M L,et al.Determination of quality attributes in wax jambu fruit using NIRS and PLS[J].Food Chem,2016,190:1-4.
[17]刘燕德.水果糖度和酸度的近红外光谱无损检测研究[D].杭州：浙江大学，2006.
[18]INACIO M R C,DE LIMA K M G,LOPES V G,et al.Total anthocyanin content determination in intact acai(Euterpe oleracea Mart.)and palmiterojuçara(Euterpe edulis Mart.)fruit using near infrared spectroscopy(NIR)and multivariate calibration[J].Food Chem,2013,136:1160-1164.
[19]XIE L J,YING Y B,YING T J.Rapid determination of ethylene content in tomatoes using visible and short-wave near-infrared spectroscopy and wavelength selection[J].Chemomet Intell Laborat Syst,2009,97(2):141-145.
[20]SHARABIAN V R,NOGUCHI N,ISHI K,et al.Significant wavelengths for prediction of winter wheat growth status and grain yield using multivariate analysis[J].Eng Agr Environ Food,2014,7(1):14-21.
[21]杨磊.梨子内在品质的近红外漫反射光谱无损检测技术研究[D].南京：南京农业大学，2008.
[22] WANG L,LIU D,PU H B,et al.Use of hyperspectral imaging to discriminate the variety and quality of rice[J].Food Anal Meth,2014,8(2):515-523.
[23]WOLD S,SJOSTROM M,ERIKSSON L.PLS-regression:a basic tool of chemometrics[J].Chemom Intell Laborat Syst,2008,58(2):109-130.
[24]周昭露.近红外光谱在中药质量控制中的应用研究[D].广州：华南理工大学，2017.
[25]ZHAO J W,OUYANG Q,CHEN Q S,et al.Simultaneous determination of amino acid nitrogen and total acid in soy sauce using near infrared spectroscopy combined with characteristic variables selection[J].Food Sci Technol Int,2013,19(4):305-314.
[26]PAOLO O,ISABEL L M,CHIARA C M,et al.Partial least squares density modeling (PLS-DM)-A new class-modeling strategy applied to the authentication of olives in brine by near-infrared spectroscopy[J].Analytica Chimica Acta,2014,851(9):30-36.
[27]金垚，杜斌，智秀娟.NIR 技术快速鉴定牛奶品牌与掺假识别[J].食品研究与开发，2016，37（3）：178-181.
[28]魏玉娟，李琳，杨笑亚，等.近红外光谱模式识别三聚氰胺掺假牛奶[J].中国乳品工业，2016，44（10）：48-51.
[29]CAMA-MONCUNILL R,MARKIEWICZ-KESZYCKA M,DIXIT Y,et al.Multipoint NIR spectroscopy for gross composition analysis of powdered infant formula under various motion conditions[J].Talanta,2016,154:423-430.
[30] CHEN H,TAN C,LIN Z,et al.Detection of melamine adulteration in milk by near-infrared spectroscopy and one-class partial least squares[J].Spectrochim Acta A,2017,173:832-836.
[31]王建明，李颖，李祥辉，等.傅里叶变换近红外技术在乳制品微生物鉴别中的应用研究[J].光谱学与光谱分析，2016，36（S1）：56-57.
[32]CÁMARA-MARTOS F,LOPES J A,MORENO-ROJAS R,et al.Detection and quantification of Escherichia coli and Pseudomonas aeruginosa in cow milk by near-infrared spectroscopy[J].Int J Dairy Technol,2015,68(3):357-365.
[33]AL-QADIRI H M,LIN M,AL-HOLY M A,et al.Monitoring quality loss of pasteurized skim milk using visible and short wavelength near-infrared spectroscopy and multivariate analysis[J].J Dairy Sci,2008,91(3):950-958.
[34] CHEN H,TAN C,LIN Z,et al.Classification and quantitation of milk powder by near-infrared spectroscopy and mutual information-based variable selection and partial least squares[J].Spectrochim Acta A,2018,189:183-189.
[35]WU D,HE Y,FENG S J.Short-wave near-infrared spectroscopy analysis of major compounds in milk powder and wavelength assignment[J].Anal Chim Acta,2008,610(2):232-242.
[36]LIN P,CHEN Y M,HE Y,et al.Study on nonlinear multivariate methods combined with the visible near-infrared spectroscopy(Vis/NIRS)technique for detecting the protein content of cheese[J].Food Bioproc Technol,2014,7(12):3359-3369.
[37]管骁，古方青，刘静，等.近红外光谱技术的乳粉品牌溯源研究[J].光谱学与光谱分析，2013，33（10）：2621-2624.
[38]卞希慧，陈娇娇，王静，等.基于近红外透射光谱及化学模式识别的液态奶品牌鉴定[C].中国化学会.中国化学会第29 届学术年会摘要集——第19 分会：化学信息学与化学计量学.中国化学会：中国化学会，2014：67.
[39]INACIO M R C,DE MOURA M F V,DE LIMA K M G.Classification and determination of total protein in milk powder using near infrared reflectance spectrometry and the successive projections algorithm for variable selection[J].Vib Spectrosc,2011,57(2):342-345.
Research progress of near-infrared spectroscopy application in rapid detection of dairy products