近紅外光譜儀應用於食品與農業
近紅外光譜儀應用於食品與農業
重點:
• 糧食生產
• 機器學習
技術:
• 漫反射
• 近紅外光譜學
應用:
• 農產品品質管制
• 糖和澱粉含量
• 水分測定
當人口數量提升，有限的可耕種土地是否能否生產足夠的糧食?這令人變得緊張。專家們努力探索能夠提高糧食產量、品質、以及安全性的技術方案。在這篇應用筆記中，我們描述一項技術—近紅外光譜，是如何給出食品及農業產業所使用的客觀資料來最大幅度提升品質和效率。
近紅外光譜學和食品分析
近紅外光譜是由廣闊的峰群組成，這些峰群是因為分子與近紅外波長 (~800-2500nm) 的光交互作用而震動產生的。近紅外光譜提供的快照，帶來多個成分的可用資訊在單個近紅外光譜中。可以從寬廣的近紅外峰群裡提取大量的訊息，用在化學成分的定量測定所使用的工具，像是化學計量建模和機器學習。
近紅外光譜學是種非破壞性技術，可以用來量測液體及粉末而不需要先進行樣品處理。這對於監控穀物和其他食品樣品的加工處理是非常理想的，其中脂肪、水分、蛋白質含量等參數的定量資訊是至關重要的。因此，近紅外光譜儀經常被整合到產線中，或作為完整的解决方案的一部分，用於品質控制和篩選。
在以下的章節裡，我們將會分享兩個案例，看 Ocean Insight 模組化的近紅外光譜儀是如何有效應用在農業樣品和食品的分析上。
花園:近紅外對土壤分析的應用
檢測土壤的特徵，像是濕度以及養分成分對農夫來說是重要的，確保作物的耕種以及施肥位置能夠最佳化。像是土壤粗糙表面的反射率可以被用來識別不同的光譜特徵。
反射率是光入射到材料表面並在該界面處所反射的光。光沒有從樣品反射就會被吸收、散射、或穿透。粗糙或是黯淡的表面，像是土壤有著漫反射，這會讓入射光散射到各個方向上。
為了測試 Ocean Insight 的近紅外光譜儀對土壤反射率的靈敏性，我們量測從公司附近一處地方鏟出的表層土壤。我們的量測設置包含了 NIRQuest+1.7 近紅外光譜儀 (900~1700nm)，高功率鹵素燈、600um背向反射探頭以及 Spectralon® 漫反射標準片。OceanView 2.0 光譜軟體完成了這個系統。
圖一: NIRQuest+1.7光譜儀量測到在900-1700nm顯著的土壤反射率特徵。探頭位置的輕微移動以及連接器的不同導致整體的反射率不吻合。
土壤往往在近紅外波段有著更高的反射率，它的響應程度會根據表面特徵以及土壤組成而改變。藉著高靈敏 NIRQuest+1.7 光譜儀，我們量測到的土壤反射率跟對比的近紅外光譜儀有著更低的雜訊，這種低雜訊資料尤其是在光譜末端更容易被注意到。甚至光譜儀的積分時間只有短短的5毫秒，我們捕捉到明顯的光譜特徵 (圖一)。透過進一步的化學分析和演算法開發，使用者能夠確定精確的土壤營養水平並預測施肥需求。
深「食」熟慮: 近紅外對食品分析
對於某些水果或是農產品是有帶皮的，而近紅外分析所使用的較長波長對這些皮來說不怎麼被吸收，所以能通過這些皮來採樣底下的果肉。自從近紅外光譜學應用在農業上，進化出像是更靈敏的儀器、更精密的取樣方式、以及更先進的機器學習工具來讓光譜資料轉換成可用的結果。
澱粉以及糖(主要是果糖、葡萄糖以及蔗糖)的測量通常是用來判定水果的成熟度以及品質。儘管這些成分的峰很類似，然而澱粉有著特別的波長能夠建構一個多參數模型來檢測水果的品質。像是 Ocean Insight NIRQuest+2.5 這樣擴展範圍的近紅外光譜儀，對這些量測就能處理得非常好，因為能夠檢測到在 1722nm、2100nm、2139nm 附近重要的澱粉峰群，除此之外糖的峰群也主要出現在 900~1200nm 之間。
取樣配置對這些測量至關重要。除了光譜儀外，高功率可見光-近紅外光源也是必需的。此外，由於許多光線將散射在水果表面，建議使用直徑較大的光纖（600μm) 來增加通量並提高靈敏度。其他考慮因素包括水果中吸收近紅外波長的水分，以及樣品中成分的非均勻分佈。關於後者，建議在水果的大面積上進行取樣，以提供水果中成分的平均值。
我們量測酪梨以及芒果的近紅外漫反射，在每個樣本上的四個不同地方來進行量測。進行多次量測是因為水果的性質不同，而需要考慮碰傷、顏色分布不均以及糖含量的不同(因為日照量不同)所帶來的影響。由於水果表面的不均勻性和變化，應該在水果表面上的不同點進行更多的量測。
我們觀察到就算是同一種水果也會有涵蓋整個光譜區域的變化，其中酪梨在大於約 1100nm 的區域有著更一致的表現(圖二)。儘管光譜特徵對兩種水果來說是很相近的，但還是能從光譜裡發現重要的不同。從水果表面上採樣更多的點能幫助將水果不同處的差異平均化，並提高結果的準確性以及可重複性。
圖二: 對酪梨及芒果的近紅外漫反射量測，揭露了樣本間的不同之處。
幸運的是，近紅外科技的速度以及 NIRQuest+2.5 光譜儀的靈敏度能讓使用者採樣很大的水果表面區域，以及更多的量測，省去花費長時間進行測量的需要。基本上，光譜儀的高靈敏度意味著在較短的時間範圍內具有出色的信噪比性能，允許在快速移動的輸送帶上進行測量（例如在食品分選中）或在流程中進行測量。
結果解釋:機器學習以及更多
雖然在這裡報告的結果是定性的，但認真搭建的化學計量模型或是先進演算法能提供水果品質的多參數定量評估。有了良好的參考光譜設置以及PLS(偏最小平方法)模型，一個經過校正後的模型可以被開發成量測多種水果的參數(糖、澱粉及其他水果成分)來預測水果的品質。
對於處理大量或複雜光譜資料的顧客，Ocean Insight 的 Ocean 智慧機器學習平台提供快速表徵輸入的光譜，以及提供另一層量測潛力的能力。該系統可以圍繞已知分析物和樣品進行訓練，以將未知材料分類到適當的組中，判斷樣本是否通過一些品質管理規定，或是輸出分析物的濃度。不需要自己手動開發光譜模型和分析就可以完成，有助於降低管理成本、提高品質、並提供更好的保證。
總結
隨著光譜硬體和分析工具的不斷改進，食品和農業行業可以享受更深層次的分析，不再依賴人眼和直覺，而是通過對每個光譜儀掃描的整個數據數組進行統計分析，以細微地檢視數據。這個系統現在可以看到以前被忽視的異常，並且能夠發展出更智能、更精簡的相互交織的變數之間的相關性。