坚果是我国重要的林果资源，大多富含蛋白质、维生素、油脂、矿物质等营养元素，具有一定的营养保健功能，如今已成为大多数家庭的必备零食。然而坚果有坚硬的外壳，很难像其它食品一样通过外观、味道、颜色等来鉴别其品质，市场上难免会出现以次充好、以陈代新等情况。在遗传育种方面也只能用抽测和经验来筛选坚果种子。至于产地、品种都是凭经验获得，或者依赖卖家的信誉。传统的坚果品质鉴定方法主要是人工抽检或者理化检测。人工抽检主观性强，无法保证检测效果；理化检测耗时长、对检验操作人员的健康有不良影响且属于破坏性检测。
近红外光谱技术是利用有机分子中含氢基团间振动的倍频与合频的吸收光谱，分析得到分子的状态、组成、结构等信息，具有检测速度快、准确度高、无任何毒副作用、不破坏待测样品等优点，在农业、食品、医药、烟酒、石油等多个领域得到广泛应用[1]。随着光谱分析仪器的不断更新换代，近红外光谱分析技术的研究领域进一步扩大，研究内容也在不断地增加和深入。目前，近红外光谱技术已逐渐应用于坚果的品质检测，如坚果内部营养物质含量测定、坚果的病虫害测定、坚果的产地溯源等。
坚果营养价值的高低、口感如何主要取决于其内部的蛋白质含量、脂肪酸含量、水分含量等，而坚果的品质分级也应主要看坚果的内部品质，传统理化检测方法如蛋白质检测通常是凯氏定氮法，检测完的果实就不能食用了，只能抽样检测，而且在检测过程中会产生有毒气体，会损害检测者的身体健康。坚果如果贮藏不当极易产生脂肪酸败、霉变、病虫害等，但由于外壳较厚，从外部很难直接发现。近红外光谱分析技术具有绿色、无损、检测速度快等优点，近些年在坚果品质研究方面得到了广泛的应用。
坚果含水率是评定坚果品质的一个重要参数，含水率过高，在储藏过程中会增强致病菌微生物的活动，增加腐烂变质的可能性；含水率过低，会影响坚果的口感，导致坚果不够饱满、质量较轻、影响经济效益。传统的烘干减重法具有破坏性、测量时间较长。近年来，已有研究表明近红外光谱技术可测定花生、板栗、松子、核桃等坚果的含水率。如Jiaqi Hu等[2]用近红外光谱技术建立了新鲜板栗水分和水溶性糖的偏最小二乘（partial least square，PLS）模型，均方根误差（root mean square error，RMSE）均低于 0.05。傅谊等[3]应用近红外光谱技术和化学计量学方法，对板栗采用多元散射校正（multiplicative scatter correction，MSC）和二阶导数技术进行处理，采用偏最小二乘法分别建立了水分、淀粉、硬度和糖度的定标模型，4种PLS模型的相关系数均大于0.99。郝中诚等[4]利用近红外光谱技术对南疆温185核桃进行水分无损检测，并用标准烘干法对所建立的检测模型进行验证，采用标准正态变量变换（standardized normal variate，SNV）方法进行光谱预处理，用偏最小二乘回归分析法建立模型，试验得平均偏差为0.35%，证明可以采用近红外分析法进行核桃水分预测。
蛋白质也是坚果的一个重要成分，能够对人的疲倦乏力感进行抑制，传统理化检测方法如蛋白质检测通常是凯氏定氮法、甲醛滴定法等，这两种方法的操作步骤都非常繁琐且不够安全。因此，用近红外光谱分析进行坚果蛋白质的测定也是一个新的研究方向。刘洁等[5]以带壳板栗和栗仁为研究对象，对板栗建立了蛋白质含量的近红外光谱模型，栗仁的校正均方根误差为0.29%，带壳板栗的校正均方根误差为0.35%。宋丽华等[6]以河北省地方花生品种为研究对象，采用偏最小二乘法，结合多种光谱预处理方式，建立了花生籽仁蛋白质含量的近红外光谱模型，最后预测值和化学值的绝对误差小于0.23，相对误差变化范围也控制在0.02%～1.13%。金华丽等[7]对花生种子样品建立了蛋白质含量的近红外测定模型。结果显示：蛋白质含量得到的相关系数为0.919 7。
坚果中的脂肪酸是人体主要能量来源之一，用近红外光谱技术对其含量进行分析也是一个研究热点。张严等[8]利用近红外技术分析花生籽粒脂肪酸含量，建立了花生籽粒5种主要脂肪酸（棕榈酸、油酸、亚油酸、花生酸和山嵛酸）含量的近红外光谱定标模型。其中油酸和亚油酸的定标模型质量较高，交互验证决定系数分别为0.933 0和0.924 9，外部验证决定系数分别为0.940 1和0.948 7。金华丽等[9]建立了花生种子含油量近红外测定模型。结果显示：用含油量模型验证样品的预测值和化学法测定值的相关系数（R2）为0.935 4。汪庆平等[10]对山核桃采用了破壳粉碎处理，对其中的粗脂肪含量进行了定标方程研究。定标结果表明，粗脂肪的相关系数高达0.99，变异系数为0.83。马文强等[11]采用偏最小二乘回归和支持向量机回归算法建立了核桃仁脂肪含量的预测模型，发现采用特征波段建立的支持向量机回归预测模型与传统偏最小二乘回归模型相比能大幅降低建模复杂度，模型验证集决定系数可以达到0.88，均方根误差可以达到1.3716%。
坚果内除了上述几种化学成分以外，还含有其它很多微量元素、糖分、淀粉等，也得到了越来越多人的重视。只是由于建模的稳健性等原因，近红外光谱分析法对含量较低的成分检测准确度也会降低。如秦利等[12]对72份国内外优质食用花生种质资源进行花生籽仁蔗糖含量的化学测定，采用偏最小二乘法建立近红外光谱定标模型。研究结果表明：所建模型中蔗糖含量的定标决定系数为0.822，定标标准误差为0.386。Giovanna Canneddu等[13]用傅立叶变换近红外光谱对带壳和去壳澳洲坚果的品质进行了评价。采用主成分分析-线性判别（principal components analysis-linear discriminant analysis，PCA-LDA）方法对澳洲坚果分类的准确率可达93.2%，可以成功地用于预测未脱壳澳洲坚果中的过氧化值（PV）和酸度指数（AI）。A Pannico等[14]将近红外光谱技术应用于榛子的研究，检测榛子带壳和脱壳的脂肪氧化水平，经试验，带壳榛仁的均方根误差为0.79，脱壳榛仁的均方根误差为0.85。王晶等[15]采用一阶微分方式处理原始数据，利用偏最小二乘法建立花生酸价、过氧化值的近红外预测模型，酸价模型的均方根误差为0.080，过氧化值模型的均方根误差为0.459。
坚果如出现了霉变、褐变等情况，经过处理后从外观很难识别，病虫害如果虫眼较小也很难用肉眼识别。用近红外光谱技术和化学计量学方法就能解决这一难题。如周竹等[16]对带壳板栗的近红外光谱数据进行傅里叶变换，并利用GA-LSSVM算法构建了霉变板栗识别模型，对测试集中合格板栗、表面霉变板栗和内部霉变板栗的平均识别正确率分别为95.89%、100%和98.25%，板栗的总体平均识别正确率可达到97.54%。郑剑等[17]用近红外光谱结合Fisher模型对褐变板栗进行快速无损分拣，识别正确率可达到95.00%。潘磊庆等[18]进行了板栗褐变的无损检测，对去壳板栗和带壳板栗褐变识别准确率可达100%和66.7%。展慧等[19]利用BP神经网络方法建立了基于近红外光谱的板栗缺陷检测分级检测模型，对虫眼和霉变板栗的识别率可达86.25%。Roberto Moscetti等[20]用近红外光谱技术进行了霉变板栗的研究，采用了遗传算法结合线性判别分析（linear discriminant analysis，LDA）、二次判别分析（quadratic discriminant analysis，QDA）、K 最短路由（K-nearest neighbor，KNN），总误差可控制在2.38%以内。蒋大鹏[21]运用李群测地线度量方法和高斯过程对松子进行正常、霉变分类建模研究，并在模型中使用概率校准后的精确度可以达到95.8%。章林忠等[22]结合主成分分析法（PCA），进行霉变、虫害、正常栗果的判别分析，准确度可以达到98.6%。
刘鹏等[23]采用近红外光谱技术对花生产毒霉菌污染程度进行定性定量分析，能对5种常见产毒霉菌（黄曲霉3.17、黄曲霉3.395 0、寄生曲霉3.395、寄生曲霉3.012 4、赭曲霉3.648 6）进行有效区分，所建立模型对花生感染单一霉菌和多种霉菌的总体判别正确率分别达到100%和99.17%。黄星奕等[24]基于傅里叶变换近红外光谱技术和K最短路由模式识别方法来识别霉变和出芽花生，他们将花生分为正常、轻度霉变、重度霉变和发芽4类，识别率可达98.84%。Jiaqi Hu等[2]用近红外光谱技术进行了正常板栗和霉变板栗的识别，识别准确度分别可达100%和96.37%。
遗传育种对于良种繁育、增产增收具有很强的现实意义，近红外光谱技术在坚果遗传育种方面的研究还不是很多。目前，已有研究利用近红外技术来筛选高油酸与亚油酸的花生种子，主要是应用于遗传育种的早期筛选工作。王秀贞等[25]将近红外技术用于辅助高油酸花生新品种的选育过程中，成功育成FAD2B/FAD2A双突变高油酸小花生新品种花育662，该品种2014年通过安徽省品种鉴定。黄冰艳等[26]利用转基因技术进行了农杆菌介导的花生胚小叶的遗传转化，用近红外分析仪分析这种转基因花生籽粒中油酸、亚油酸含量，发现这种转基因植株内油酸/亚油酸比值的变异高于对照，多数转基因株系油酸亚油酸比值平均数也显著高于对照。唐月异等[27]利用近红外光谱技术进行花生种子在低温下吸胀萌发的试验，在2℃96 h低温条件下研究露白率、芽长/种长，并通过测定油酸、亚油酸、棕榈酸、脂肪、蛋白质及蔗糖含量，分析花生种子吸胀期间耐低温性与各项品质性状之间的相关性，从而筛选出耐低温种质。得到的结论是：种子的露白率与与脂肪含量呈显著正相关，芽长/种长与亚油酸含量呈显著正相关、与油酸含量呈显著负相关。刘婷等[28]为探讨花生耐低温的遗传机理，进行2个普通油酸×高油酸杂交组合试验，利用近红外技术进行F1单粒种子的初筛，然后用转座子标记鉴定技术分别获得了32粒和24粒真杂种。李建国等[29]采用偏最小二乘法建立了单粒花生主要脂肪酸含量近红外预测模型，并成功应用于高油酸花生育种，选育出高油酸花生品种中花215。
即便品种相同，不同产地的坚果也会因为光照、降雨、湿度、温度等的不同而有不同的品质，因此很多坚果在出售时会强调产地，但是其真伪却难以界定，将近红外技术应用于坚果产地溯源的研究有很强的的现实意义。Veronica Loewe等[30]利用近红外光谱技术对智利产的海松子样品进行分析，他们选取了3个不同地区的智利海松子，采用偏最小二乘法（DPLS）进行建模，最终判断样品集的松子产地误差范围在9.2%～12.2%之间。张龙等[31]采用近红外光谱结合化学计量学方法对不同省份来源的花生样品进行溯源研究。结果表明：原始正确分类率为100.0%，交叉验证正确分类率为55.9%。初步实现了花生产地判别，但模型的性能仍有待提高。
由于不同品种的坚果营养成分不同，所以品种识别还是很有意义的，比如同样是红松子，华山松子有人吃了就会有味觉障碍，又称松子综合征（pine nut syndrome，PNS），会有发麻、发涩的口感，其它品种的松子就不存在这个问题。郑田甜等[32]对“花育20号”、“花育22号”和“花育32号”3个品种的花生种子进行近红外反射光谱实验，使用小波多分辨分析方法对光谱数据进行预处理，使用主成分分析方法对光谱数据进行特征提取，基于马氏距离的线性判别分析分类算法建立了线性判别分析模型，从而实现了对3种花生种子的识别，识别率均达到95%。
贾昌路等[33]利用对阿克苏地区主栽5种核桃品种（新翠丰、新新2号、温138、温185、纸皮核桃）进行光谱扫描分析，结果表明，5种核桃在波数5 848 cm-1～5 767 cm-1范围内的吸光度不同，根据此处特征峰可作为核桃品种及实生后代鉴定的依据。Satyabrata Ghosh等[34]利用近红外光谱技术进行了谷物和坚果的识别研究，将三十几种谷物和19种坚果进行分类，可以从中识别出花生、松子、杏仁、亚麻籽、芝麻等。
将近红外光谱分析技术应用于坚果的检测已经取得了一定的研究成果，初步证明了该技术应用于坚果的品质检测、遗传育种、产地溯源和品种识别等方面是有效可行的。但与此同时，用近红外光谱建模要想提高模型识别准确程度还要注意以下几个问题：（1）坚果外壳坚硬，这对光谱数据采集的准确度有一定的影响，在采集过程中一定要注意排除干扰，减少人为误差产生的影响；（2）模型建立过程中要采集一定数量的样品，样品数量尽可能多，分批次地选取有代表性的样本；（3）不同的光谱采集方法、不同的光谱预处理方法以及不同的化学计量学方法对分析结果有很大的影响，选择合适的方法至关重要。
虽然目前近红外光谱仪的种类很多，但是坚果的特点是大小不一、表面可能会存在凸凹不平的情况，这就对采集的配件提出了较高的要求，然而现在市场上的近红外光谱仪一般都缺乏适合坚果光谱采集的配件，测试者一般都是自制配件，要想统一规范管理、加强市场化进程，这是一个必须面临的问题。此外，坚果大多含有多种微量元素，但由于其含量大多数不高，所建立近红外光谱的稳健性不好，但是这些微量元素对人体的影响却很大，直接关系到坚果的品质，而且用其它的检测方法也很难得到精确的结果，这也是近红外光谱未来研究的一个发展方向。
[1]褚小立.化学计量学方法与分子光谱分析技术[M].北京：化学工业出版社,2011:290-306.
[2]HU Jiaqi,MA Xiaochen,LIU Lingling.Rapid evaluation of the quality of chestnuts using near-infrared reflectance spectroscopy[J].Food Chemistry,2017,231:141-147.
[3]傅谊,张拥军,陈华才,等.基于偏最小二乘法的板栗近红外光谱分析模型的建立[J].食品科技,2012（5）:42-45.
[4]郝中诚,彭云发,张宏,等.基于近红外光谱的南疆温185核桃水分无损检测的研究[J].安徽农业科学,2014,42（21）:7191-7193,7233.
[5]刘洁,李小昱,王为,等.基于近红外光谱的板栗蛋白质检测方法研究[C].中国农业工程学会2011年学术年会论文集,北京:中国农业工程学会,2011:4.
[6]宋丽华,刘立峰,陈焕英,等.花生籽仁蛋白质含量近红外光谱模型的建立[J].中国农学通报,2011,27（15）:85-89.
[7]金华丽,李琳琳.近红外光谱技术测定花生蛋白质含量研究[J].河南工业大学学报（自然科学版）,2014,35（1）:26-29.
[8]张严,谢岩黎,孙淑敏,等.近红外分析花生籽粒脂肪酸含量的研究[J].河南工业大学学报（自然科学版）,2014,35（2）:54-58.
[9]金华丽,崔彬彬.花生种子含油量近红外测定模型建立[J].粮食与油脂,2014,27（9）:49-51.
[10]汪庆平,黎其万,董宝生,等.近红外光谱法快速测定山核桃品质性状的研究[J].西南农业学报,2009,22（3）:873-875.
[11]马文强,张漫,李源,等.核桃仁脂肪含量的近红外光谱无损检测[J].农业机械学报,2019,50（S1）:374-379.
[12]秦利,刘华,杜培,等.基于近红外光谱法的花生籽仁中蔗糖含量的测定[J].中国油料作物学报,2016,38（5）:666-671.
[13]CANNEDDU G,J′UNIOROL C C,de Almeida Teixeira G H.Quality Evaluation of Shelled and Unshelled Macadamia Nuts by Means of Near-Infrared Spectroscopy（NIR）[J].Journal of Food Science,2016,81（7）:1613-1621.
[14]A Pannico,R E Schouten,B Basile.Non-destructive detection of flawed hazelnut kernels and lipid oxidation assessment using NIR spectroscopy[J]Journal of Food Engineering,2015,160:42-48.
[15]王晶,陈红,万鹏.基于近红外光谱技术的花生酸败特性检测研究[J].中国粮油学报,2013,28（7）:104-107,113.
[16]周竹,李小昱,李培武,等.基于GA-LSSVM和近红外傅里叶变换的霉变板栗识别[J].农业工程学报,2011,27（3）:331-335.
[17]郑剑,周竹,仲山民,等.基于近红外光谱的褐变板栗识别建模方法研究[J].食品科技,2016（1）:285-290.
[18]潘磊庆,郑剑,史娇智,等.基于近红外光谱和共轭梯度神经网络的板栗褐变检测[J].食品工业科技,2013,34（15）:284-288.
[19]展慧,李小昱,周竹,等.基于近红外光谱和机器视觉融合技术的板栗缺陷检测[J].农业工程学报,2011,27（2）:345-349.
[20]MOSCETTI R,HAFF R P,SARANWONGC S,et al.Nondestructive detection of insect infested chestnuts based on NIR spectroscopy[J].Postharvest Biol Technol 2014,87:88-94.
[21]蒋大鹏.基于改进近红外漫反射技术与流形学习的东北松子霉变分类研究[D].哈尔滨：东北林业大学,2019.
[22]章林忠，丁玲玲，蔡雪珍，等.基于近红外高光谱图像技术的栗果品质无损检测[J].安徽农业大学学报,2019,46（1）:160-166.
[23]刘鹏，蒋雪松，沈飞，等.近红外光谱技术的花生产毒霉菌侵染快速检测[J].光谱学与光谱分析，2017,35（5）:1397-1402.
[24]黄星奕，丁然，史嘉辰.霉变出芽花生的近红外光谱无损检测研究[J].中国农业科技导报，2015，17（5）:27-32.
[25]王秀贞，唐月，异吴琪，等.分子标记和近红外技术辅助选育高油酸花生新品种花育662[J].核农学报，2016，30（6）:1054-1058.
[26]黄冰艳，张新友，苗利娟，等.花生FAD2基因RNAi载体转化及转基因籽粒脂肪酸分析[J].中国油料作物学报，2008,30（3）:290-293.
[27]唐月异，王传堂，高华援，等.花生种子吸胀期间耐低温性及其与品质性状的相关研究[J].核农学报，2011，25（3）:436-442.
[28]刘婷，王传堂，唐月异，等.利用近红外技术和转座子标记鉴定花生杂交F1真杂种[J].分子植物育种，2017，15（9）:3592-3598.
[29]李建国，薛晓梦，张照华，等.单粒花生主要脂肪酸含量近红外预测模型的建立及其应用[J].作物学报,2019,45（12）:1891-1898.
[30]Veronica Loewe,Rafael Maria Navarro-Cerrillo,Juan García-Olmo.Discriminant analysis of Mediterranean pine nuts（Pinus pinea L.）from Chilean plantations by near infrared spectroscopy （NIRS）[J].Food Control,2017，73:634-643.
[31]张龙，潘家荣，朱诚.近红外光谱分析技术在花生原产地溯源中的应用[J].食品科学，2013，34（6）:167-170.
[32]郑田甜，孙腾飞，曹增辉，等.花生种子品质的可见-近红外光谱分析[J].光谱学与光谱分析，2015，35（3）:622-625.
[33]贾昌路，高山，张宏，等.近红外技术对南疆核桃品种的鉴定及品质比较[J].湖北农业科学，2016，55（10）:2559-2563,2676.
[34]Satyabrata Ghosh,Puneet Mishra,Siti Nur Hidayah Mohamad.Discrimination of peanuts from bulk cereals and nuts by near infrared reflectance spectroscopy[J].Biosystems Engineering,2016,151:178-186.
Studies on Detection of Nuts by Near Infrared Spectroscopy Technology
李丹丹，曹军，张冬妍.近红外光谱技术在坚果检测中的应用研究[J].食品研究与开发，2021，42（4）：198-202.
LI Dandan，CAO Jun，ZHANG Dongyan.Studies on Detection of Nuts by Near Infrared Spectroscopy Technology[J].Food Research and Development，2021，42（4）：198-202.