導(dǎo)航：安全管理網(wǎng)>> 安全論文>> 食品安全論文>>正文

糧食真菌毒素污染的無(wú)損檢測(cè)方法研究進(jìn)展

文檔作者：沈飛1,2 吳啟芳1,2 劉兵1,2 宋偉1,2 文檔來(lái)源： 1. 南京財(cái)經(jīng)大學(xué)食品科學(xué)與工程學(xué)院 2. 糧食儲(chǔ)運(yùn)國(guó)家工程實(shí)驗(yàn)室		點(diǎn) 擊數(shù)：	更新時(shí)間： 2025年07月11日
下載地址：點(diǎn)擊這里	文件大?。?486.88 KB 共6頁(yè)	文檔格式： PDF	下載點(diǎn)數(shù)： 1 點(diǎn)（VIP免費(fèi)）

全屏查看

內(nèi)容預(yù)覽 [文件共6頁(yè)]

本文件共6頁(yè)，如需編輯使用，請(qǐng)下載。

注：預(yù)覽效果可能會(huì)出現(xiàn)部分文字亂碼（如口口口）、內(nèi)容顯示不全等問(wèn)題，下載是正常的。

	文件大?。?86.88 KB 共6頁(yè) 文件格式：PDF 下載點(diǎn)數(shù)：1 點(diǎn)（VIP會(huì)員免費(fèi)）

上一篇：糧油檢驗(yàn)工作存在的問(wèn)題及其對(duì)糧油安全的…

文本預(yù)覽

僅提取頁(yè)面文字內(nèi)容，供快速閱讀使用。

第5 卷 第8 期 食品安全質(zhì)量檢測(cè)學(xué)報(bào) Vol. 5 No. 8
2014 年8 月 Journal of Food Safety and Quality Aug. , 2014
基金項(xiàng)目: 國(guó)家自然科學(xué)基金項(xiàng)目(31301482)、江蘇省青年自然科學(xué)基金項(xiàng)目(BK20131007)、江蘇省高校自然科學(xué)研究項(xiàng)目
(13KJB550009)
Fund: Supported by National Natural Science Foundation of China (31301482), Youth Science Fund of Jiangsu Province (BK20131007) and
Natural Science Foundation of the Colleges and Universities in Jiangsu Province (13KJB550009)
*通訊作者: 沈飛, 講師, 主要研究方向?yàn)榧Z食儲(chǔ)藏和檢測(cè)技術(shù)研究。E-mail: shenfei0808@163.com
*Corresponding author: SHEN Fei, Lecturer, School of Food Science and Engineering, Nanjing University of Finance and Economics, No.3,
Wenyuan Road, Qixia District, Nanjing 210046, China. E-mail: shenfei0808@163.com
糧食真菌毒素污染的無(wú)損檢測(cè)方法研究進(jìn)展
沈 飛1,2*,? 吳啟芳1,2, 劉 兵1,2, 宋 偉1,2
(1. 南京財(cái)經(jīng)大學(xué)食品科學(xué)與工程學(xué)院, 南京 210046; 2. 糧食儲(chǔ)運(yùn)國(guó)家工程實(shí)驗(yàn)室, 南京 210046)
摘要: 糧食種植、加工和儲(chǔ)運(yùn)過(guò)程易受真菌毒素污染, 嚴(yán)重威脅人畜健康。然而, 目前傳統(tǒng)的真菌毒素檢測(cè)
方法存在過(guò)程繁瑣、時(shí)效性差或靈敏度低等缺點(diǎn), 難以滿足現(xiàn)場(chǎng)快速準(zhǔn)確檢測(cè)的需要, 日益成為制約糧食質(zhì)量
安全的瓶頸。現(xiàn)代無(wú)損檢測(cè)技術(shù)作為一種新興的檢測(cè)技術(shù), 可以在不破壞樣品的情況下對(duì)其進(jìn)行質(zhì)量評(píng)價(jià), 是
糧食品質(zhì)在線、實(shí)時(shí)檢測(cè)的一個(gè)重要發(fā)展方向, 在糧食真菌毒素污染的快速分析方面具有巨大的應(yīng)用潛力。本
文重點(diǎn)綜述了近紅外光譜、高光譜圖像、電子鼻等典型無(wú)損檢測(cè)技術(shù)在糧食真菌毒素污染檢測(cè)分析中的最新
研究進(jìn)展, 討論了各種技術(shù)的優(yōu)點(diǎn)及限制因素, 并對(duì)其應(yīng)用前景進(jìn)行了展望。
關(guān)鍵詞: 糧食; 真菌毒素; 無(wú)損檢測(cè); 研究進(jìn)展
Review on non-destructive determination technology for mycotoxin
contamination detection in grain
SHEN Fei1,2 *, WU Qi-Fang1,2, LIU Bing1,2, SONG Wei1,2
(1. School of Food Science and Engineering, Nanjing University of Finance and Economics, Nanjing 210046, China;
2. National Engineering Laboratory of Grain Storage and Transportation, Nanjing 210046, China)
ABSTRACT: Grain is vulnerable to mycotoxin contamination during planting, processing, storage and
transportation, which causes a serious threat to human and animal health. However, current traditional
methods for mycotoxin detection are usually laboratory-intensive, time-consuming or with low sensitivity, and
could not fulfill the need for on site rapid and accurate testing, emerging as a bottleneck for grain quality and
safety. Modern non-destructive determination methods, as a new piece of technology, can provide the quality
evaluation of grain without destroying the samples. It becomes an important development direction for on-line
and real-time detection of grain quality. It also has a great potential in rapid inspection of mycotoxin
contamination in grain. This paper reviewed in detail the recent research progress in detection of mycotoxin
contamination in grain by near-infrared spectroscopy, hyperspectral imaging and electronic nose techniques.
Advantages as well as limitations of various techniques were discussed and application prospect was also
forcasted finally.
KEY WORDS: grain; mycotoxin; non-destructive determination; research progress
第8 期 沈 飛, 等: 糧食真菌毒素污染的無(wú)損檢測(cè)方法研究進(jìn)展 2373
1 引 言
糧食是關(guān)系國(guó)計(jì)民生的重要戰(zhàn)略物資。然而, 糧食在
種植、收獲、儲(chǔ)藏以及運(yùn)輸過(guò)程中, 易受黃曲霉毒素
(aflatoxin, AFT)、赭曲霉毒素(ochratoxin A , OTA)、脫氧雪
腐鐮刀菌烯醇(deoxynivalenol , DON)等多種真菌毒素污染,
嚴(yán)重威脅人畜健康。目前, 真菌毒素的檢測(cè)方法主要有高
效液相色譜法、薄層色譜法和酶聯(lián)免疫吸附法等, 但均存
在過(guò)程繁瑣、時(shí)效性差或靈敏度低等缺點(diǎn), 無(wú)法實(shí)現(xiàn)糧食
真菌毒素污染的連續(xù)準(zhǔn)確監(jiān)測(cè)[1]。因此, 發(fā)展快速、準(zhǔn)確
且經(jīng)濟(jì)可行的檢測(cè)方法, 已經(jīng)成為確保糧食質(zhì)量安全亟需
解決的關(guān)鍵問(wèn)題之一。無(wú)損檢測(cè)技術(shù)(nondestructive
determination technology, NDT)可以在不破壞或損壞被檢
測(cè)對(duì)象的基礎(chǔ)上, 利用農(nóng)產(chǎn)品內(nèi)部結(jié)構(gòu)異常或缺陷所引起
的對(duì)熱、聲、光、電、磁等反應(yīng)的變化, 來(lái)探測(cè)其性質(zhì)和
數(shù)量的變化[2]。近年來(lái), 隨著全社會(huì)對(duì)食品安全的高度重
視, 對(duì)糧食真菌毒素污染的關(guān)注程度也不斷提高, 對(duì)真菌
毒素的分析手段逐步向著實(shí)時(shí)、快速、準(zhǔn)確的方向轉(zhuǎn)變。
在這一背景下, 以近紅外光譜、高光譜圖像和電子鼻技術(shù)
等為代表的無(wú)損檢測(cè)技術(shù)日益受到廣泛關(guān)注, 在糧食真菌
毒素污染快速分析中也獲得了越來(lái)越多的應(yīng)用研究。本文
重點(diǎn)綜述了紅外光譜、高光譜圖像和電子鼻等主要無(wú)損檢
測(cè)技術(shù)在糧食真菌毒素污染檢測(cè)中的最新進(jìn)展, 探討了各
項(xiàng)技術(shù)的優(yōu)勢(shì)與不足, 展望了其應(yīng)用前景。
2 無(wú)損檢測(cè)方法介紹與應(yīng)用研究進(jìn)展
2.1 近紅外光譜技術(shù)
近紅外光譜(near infrared spectroscopy, NIRS)是指波
長(zhǎng)在780?2526 nm 介于可見光區(qū)和中紅外光區(qū)之間的電磁
波, 對(duì)應(yīng)于有機(jī)分子中含氫基團(tuán)的倍頻與合頻振動(dòng)信息,
具有分析速度快、多組分同時(shí)檢測(cè)、無(wú)需樣品預(yù)處理等優(yōu)
點(diǎn), 已被應(yīng)用于糧食多項(xiàng)內(nèi)部品質(zhì)指標(biāo)(水分、淀粉、蛋白
等)的檢測(cè)分析[3]。研究表明很多真菌毒素在近紅外波段有
特征吸收光譜, 且其含量的高低對(duì)糧食籽粒的近紅外光
譜有影響[4]。近年來(lái), 已有越來(lái)越多的學(xué)者嘗試將近紅外
光譜技術(shù)應(yīng)用于糧食真菌毒素污染的快速分析[5]。Berardo
等[6]利用近紅外光譜區(qū)分了受串珠鐮刀菌污染的意大利小
麥樣品, 并對(duì)樣品中的麥角甾醇和伏馬毒素B1(fumonisins
B1, FB1)進(jìn)行了定量預(yù)測(cè), 預(yù)測(cè)模型的決定系數(shù)(R2)均超過(guò)
0.78, 對(duì)FB1 的預(yù)測(cè)誤差(RMSEP)達(dá)到1.33 mg/kg。Beyer
等[7]利用可見/近紅外光譜技術(shù)對(duì)小麥樣品中的DON 毒素
進(jìn)行了快速分析, 偏最小二乘回歸模型(PLSR)的相關(guān)系數(shù)
達(dá)到0.84, 預(yù)測(cè)誤差SEP 為0.89±3.61 mg/kg, 實(shí)現(xiàn)了樣品
受污染程度大小的快速篩選。Kos 等[8]還利用漫反射和衰
減全反射紅外光譜分析了玉米樣品受脫氧雪腐鐮刀菌烯醇
污染的情況, 發(fā)現(xiàn)衰減全反射光譜對(duì)受污染樣品的判別正
確率達(dá)到100%, 且PLSR 對(duì)脫氧雪腐鐮刀菌烯醇含量的預(yù)
測(cè)誤差為600 μg/kg。近紅外光譜檢測(cè)真菌毒素具有操作簡(jiǎn)
便、分析速度快、無(wú)需使用化學(xué)試劑的獨(dú)特優(yōu)勢(shì), 其應(yīng)用
情況如表1 所示。但是由于真菌毒素在糧食中的含量一般
較低, 而且近紅外檢測(cè)結(jié)果還易受到樣品狀態(tài)、預(yù)處理措
施、樣品濃度范圍及樣品量的影響, 檢測(cè)精度受到一定限
制, 定性判別準(zhǔn)確率一般較高, 但定量預(yù)測(cè)結(jié)果有待提升,
主要用于樣品受污染程度的快速篩選。
2.2 高光譜圖像技術(shù)
高光譜圖像技術(shù), 是近年來(lái)迅速興起的一門新的分
析技術(shù), 它可以看作是光譜分析技術(shù)和圖像處理技術(shù)在最
低層面上的融合, 能同時(shí)獲得被檢對(duì)象的光譜和空間信息,
可以實(shí)現(xiàn)內(nèi)部與外部品質(zhì)的同時(shí)檢測(cè), 代表了農(nóng)產(chǎn)品檢測(cè)
技術(shù)未來(lái)發(fā)展方向[17]。與近紅外光譜檢測(cè)法類似, 多種真
菌毒素在高光譜檢測(cè)波段范圍內(nèi)均存在特征吸收, 因此高
光譜技術(shù)也被逐漸用于糧食受真菌毒素污染的檢測(cè)分
析[18]。Yao 等[19]采集了5 種產(chǎn)毒和非產(chǎn)毒的真菌菌株的可
見近紅外高光譜圖像, 確定了可用于對(duì)象區(qū)分的特征波長(zhǎng)
(743、458、541 nm), 對(duì)這5 種真菌的整體判別準(zhǔn)確率達(dá)
97.7%。Jin 等[20]利用高光譜圖像區(qū)分了產(chǎn)毒和非產(chǎn)毒的黃
曲霉菌株, 并比較了不同光源的檢測(cè)效果。結(jié)果發(fā)現(xiàn), 對(duì)產(chǎn)
毒菌株和非產(chǎn)毒菌株判別正確率鹵素?zé)艄庠礊?3%和74%,
紫外燈光源為67%和85%。Shahin 等[21]也對(duì)加拿大紅春麥
受鐮刀菌污染程度進(jìn)行了檢測(cè)分析, 對(duì)污染樣本的判別正
確率達(dá)到92%。由于高光譜圖像技術(shù)具有的獨(dú)特優(yōu)勢(shì), 其
在農(nóng)產(chǎn)品內(nèi)部與外部品質(zhì)同時(shí)檢測(cè)領(lǐng)域發(fā)展十分迅猛, 在
糧食真菌毒素污染檢測(cè)中的應(yīng)用也越來(lái)越多, 如表2 所示。
但由于高光譜圖像分析系統(tǒng)結(jié)構(gòu)較為復(fù)雜, 數(shù)據(jù)量巨大,
分析速度較慢, 目前還主要還用于糧食真菌毒素污染的定
性篩分, 定量測(cè)定含量的研究較少。下一步的發(fā)展方向是
確定不同真菌毒素所對(duì)應(yīng)的特征波段, 發(fā)展多光譜成像在
線檢測(cè)系統(tǒng), 以提高檢測(cè)效率和檢測(cè)精度。
2.3 電子鼻技術(shù)
電子鼻是一種模擬生物嗅覺系統(tǒng)的現(xiàn)代檢測(cè)方法,
是利用對(duì)不同類別氣體敏感的傳感器陣列的響應(yīng)信號(hào)和模
式識(shí)別算法來(lái)識(shí)別氣味的電子系統(tǒng), 具有檢測(cè)方便、快捷、
客觀性和重復(fù)性好以及不損傷樣品等優(yōu)點(diǎn)。糧食在發(fā)霉過(guò)
程中, 由于微生物不斷分解糧食有機(jī)質(zhì), 會(huì)產(chǎn)生大量特征
性氣味成分[28]。眾多研究表明, 這些揮發(fā)性成分與麥角甾
醇、菌落總數(shù)以及黃曲霉毒素、赭曲霉毒素等真菌毒素之
間存在內(nèi)在聯(lián)系, 可用于真菌毒素的污染程度的實(shí)時(shí)監(jiān)
測(cè)。Olsson 等[29]利用電子鼻和GC-MS 對(duì)大麥中的赭曲霉
毒素和脫氧雪腐鐮刀菌烯醇進(jìn)行了檢測(cè)分析, GC-MS 和電
子鼻對(duì)赭曲霉毒素的識(shí)別率為91.9%和81.1%, 建立的定
2374 食品安全質(zhì)量檢測(cè)學(xué)報(bào) 第5 卷
量分析模型對(duì)脫氧雪腐鐮刀菌烯醇含量的預(yù)測(cè)相對(duì)誤差
SEP 分別達(dá)到16 μg/kg 和25 μg/kg, 并鑒定出脫氧雪腐鐮
刀菌烯醇毒素密切相關(guān)的特征揮發(fā)性成分。Abramson 等[30]
對(duì)不同儲(chǔ)藏條件下硬質(zhì)小麥中的真菌毒素含量進(jìn)行了測(cè)定,
發(fā)現(xiàn)儲(chǔ)藏20 周時(shí), 20%水分含量的小麥樣品中均檢出赭曲
霉毒素和黃綠青霉素, 電子鼻特征傳感器的響應(yīng)信號(hào)值與
這兩種毒素含量的相關(guān)系數(shù)分別達(dá)到0.87 和0.83。電子鼻
檢測(cè)具有方便、簡(jiǎn)單的優(yōu)點(diǎn), 應(yīng)用范圍也越來(lái)越廣泛(如表
3 所示)。然而, 由于對(duì)糧食儲(chǔ)運(yùn)過(guò)程產(chǎn)生的真菌毒素與氣
味成分的相關(guān)關(guān)系, 以及電子鼻對(duì)真菌毒素指示性氣味成
分的響應(yīng)大小等尚缺乏基礎(chǔ)理論研究, 因此, 利用電子鼻
來(lái)檢測(cè)糧食真菌毒素污染還處于探索階段, 還需要進(jìn)一步
研究來(lái)深入了解電子鼻技術(shù)的優(yōu)缺點(diǎn)和局限性, 為今后的
實(shí)際應(yīng)用提供依據(jù)。
2.4 其他無(wú)損檢測(cè)技術(shù)
機(jī)器視覺是基于圖像的數(shù)字識(shí)別技術(shù)而發(fā)展起來(lái)的
新興技術(shù), 通過(guò)對(duì)樣品圖像信息的分析得到尺寸、表面色
度、外觀形狀及缺陷等具體信息, 進(jìn)而實(shí)現(xiàn)外觀質(zhì)量綜合
評(píng)價(jià)。雖然機(jī)器視覺技術(shù)無(wú)法直接判定糧食樣品的真菌毒
素污染情況, 但可以通過(guò)糧食霉變引起的色澤變化判斷樣
品受感染情況。Ng 等[39]嘗試?yán)糜?jì)算機(jī)圖像對(duì)霉變玉米
籽粒進(jìn)行識(shí)別, 通過(guò)圖像信息的差異, 計(jì)算霉變區(qū)域的比
例, 實(shí)現(xiàn)了對(duì)霉變樣本的區(qū)分。Luo 等[40]利用機(jī)器視覺結(jié)
合模式識(shí)別技術(shù), 對(duì)正常小麥和6 種不同缺陷的小麥進(jìn)行
了區(qū)分, 對(duì)霉變粒的總體判別正確率達(dá)到98.6%。X 射線
在穿透物質(zhì)時(shí), 和不同物質(zhì)的原子發(fā)生相互作用后發(fā)生衰
減的程度不同。利用這個(gè)原理, Narvankar 等[41]區(qū)分了正常
的和受霉菌污染的小麥樣品, 判別正確率達(dá)到90%以上。
此外, 根據(jù)正常的和受真菌感染的谷物對(duì)聲學(xué)的振幅反應(yīng)
情況不同, 且聲學(xué)振幅與感染情況有很強(qiáng)的相關(guān)性, 可以
利用此特性來(lái)快速檢測(cè)谷物的感染情況。Juodeikiene 等[42]
用聲波法對(duì)枯萎谷物和正常谷物進(jìn)行了分析, 結(jié)果表明黃
曲霉毒素的濃度含量與振幅存在相關(guān)性, 以此區(qū)分了受污
染的小麥樣品。Liu 等[43]應(yīng)用拉曼光譜技術(shù)對(duì)受DON 污染
的小麥和大麥樣品進(jìn)行了嘗試檢測(cè), 結(jié)果表明拉曼光譜技
術(shù)可以區(qū)分樣品受污染的程度。Lee 等[44]也應(yīng)用表面增強(qiáng)
拉曼光譜對(duì)玉米中的黃曲霉毒素B1進(jìn)行了定量預(yù)測(cè), 驗(yàn)證
模型的相關(guān)系數(shù)達(dá)0.90 以上。
表1 近紅外光譜技術(shù)檢測(cè)糧食真菌毒素污染的研究進(jìn)展
Table 1 Research progress on mycotoxin contamination detection in grain by near-infrared spectroscopy
研究對(duì)象 檢測(cè)波段 研究?jī)?nèi)容 研究結(jié)果 參考文獻(xiàn)
玉米籽粒
近紅外透射光譜(500~950 nm)
近紅外反射光譜(550~1700 nm)
定性判別受AFT 毒素污染的
程度
AFT 含量小于10 μg/kg 或大于100 μg/kg 時(shí),
判別正確率大于95%, 含量介于兩者之間判
別正確率僅為25%
2001[9]
小麥籽粒 近紅外透射光譜(570~1100 nm) 定量預(yù)測(cè)DON 毒素含量
偏最小二乘回歸模型(PLSR)預(yù)測(cè)相關(guān)系數(shù)r
為0.984, 預(yù)測(cè)相對(duì)誤差(SEP)為 381 μg/kg
2003[10]
玉米籽粒 漫反射與衰減全反射紅外光譜
(600~1900 cm-1)
定性判別樣品是否受DON 毒
素污染, 定量預(yù)測(cè)DON 含量
衰減全反射模型精度較高, 100%判別正確,
預(yù)測(cè)相關(guān)系數(shù)r 為0.8064, SEP 為438.7
μg/kg
2004[8]
玉米籽粒
玉米粉
近紅外反射光譜(400~1100 nm,
400~2500 nm)
定性判別樣品受真菌污染, 定
量預(yù)測(cè)麥角甾醇和FB1 含量
預(yù)測(cè)模型的決定系數(shù)(R2)均超過(guò)0.78
對(duì)FB1 預(yù)測(cè)精度RMSEP 為1.33 mg/kg
2005[6]
玉米和大麥 近紅外反射光譜(400~2500 nm) 定量預(yù)測(cè)AFB1 含量
玉米模型決定系數(shù)R2=0.82, SEP=0.200 ppb
大麥模型決定系數(shù)R2=0.85, SEP=0.176 ppb
2009[11]
小麥等谷物 近紅外反射光譜(350~2500 nm) 定量預(yù)測(cè)DON 毒素含量 模型決定系數(shù)R2=0.84, SEP=3.61 mg/g 2010[7]
玉米籽粒
近紅外煩死光譜(904~1685 nm)
彩色圖像
樣品受8 種不同霉菌的感染
程度
對(duì)未受感染和受感染樣品的判別正確率率近
紅外分別89%和79%, 彩色圖像均為75%
2011[12]
小麥籽粒 近紅外光譜(4000~10000 cm-1) 定量預(yù)測(cè)DON 毒素含量 PLSR 模型的預(yù)測(cè)相關(guān)系數(shù)r 為0.88,
SEP=6.23 mg/g
2012[13]
水稻 近紅外漫反射光譜(950~1650
nm)
霉菌感染率和黃綠曲霉感染
率
霉菌感染率 r=0.668, SEP=28.874%
黃綠曲霉感染率r=0.437, SEP=18.723%
2013[14]
燕麥 近紅外光譜(400~2350 nm) 定量預(yù)測(cè)DON 毒素含量 模型SEP =3.16 ppm, RPD 值為2.63 2013[15]
水稻 近紅外反射光譜(950~1650 nm)
定量預(yù)測(cè)產(chǎn)黃曲霉毒素菌株
感染程度
預(yù)測(cè)模型相關(guān)系數(shù)r=0.668, SEP=28.874% 2013[16]
第8 期 沈 飛, 等: 糧食真菌毒素污染的無(wú)損檢測(cè)方法研究進(jìn)展 2375
表2 高光譜圖像光譜技術(shù)檢測(cè)糧食真菌毒素污染的研究進(jìn)展
Table 2 Research progress on mycotoxin contamination detection in grain by hyperspectral imaging
研究對(duì)象 檢測(cè)波段 研究?jī)?nèi)容 研究結(jié)果 參考文獻(xiàn)
霉菌菌株 高光譜圖像(400?1000 nm)
定性判別5 種產(chǎn)毒和非產(chǎn)
毒真菌菌株
對(duì)5 種霉菌的綜合判別正確率達(dá)到97.7% 2008[19]
黃曲霉真菌
菌株
高光譜圖像(400?1000 nm)
定性判別產(chǎn)毒和非產(chǎn)毒黃
曲霉菌株
對(duì)產(chǎn)毒黃曲霉菌株的判別正確率為83%, 非產(chǎn)毒
菌株為74%
2009[20]
玉米籽粒 高光譜圖像(400?1000 nm)
定性判別受真菌毒素污染
的樣品
在接種菌株48 h 后受感染的玉米樣品能夠被區(qū)分2010[22]
榛子和辣椒 五個(gè)波段的多光譜成像
定性判別受黃曲霉毒素污
染的樣品
受黃曲霉毒素污染的判別正確率: 榛子為92.3%,
辣椒為80%
2011[23]
紅春麥籽粒 高光譜圖像(400?1000 nm)
定性判別無(wú)害和受感染的
樣品
對(duì)無(wú)害、中度感染和重度感染三類樣品的整體判
別正確率為92%
2011[21]
小麥籽粒 高光譜圖像(400?1000 nm,
1000?1700 nm)
定性判別樣品是否受鐮刀
菌污染
不同的高光譜系統(tǒng)均能區(qū)分受感染樣品, 判別正
確率達(dá)95%
2011[24]
麥穗
高光譜圖像(400?1000 nm)
葉綠素?zé)晒獬上?
定性判別樣品受鐮刀菌素
侵染程度(赤霉病)
對(duì)樣品侵染程度的判別正確率達(dá)到80% 2011[25]
小麥籽粒
高光譜圖像 700?1100 nm
面掃描圖像
定性判別樣品是否受真菌
污染
運(yùn)用不同特征組合對(duì)無(wú)害和受真菌感染樣品的判
別正確率為97.3%?100.0%
2012[26]
玉米籽粒 高光譜圖像(1000?2500 nm)
定性判別受黃曲霉毒素污
染的樣品
對(duì)受感染樣品的識(shí)別率達(dá)到88% 2014[27]
表3 電子鼻技術(shù)檢測(cè)糧食真菌毒素污染的研究進(jìn)展
Table 3 Research progress on mycotoxin contamination detection in grain by electronic nose
研究對(duì)象 電子鼻傳感器數(shù)量 研究?jī)?nèi)容 研究結(jié)果 參考文獻(xiàn)
大麥籽粒 10 個(gè)金屬氧化物傳感器
定性區(qū)分是否OTA 和DON 毒
素污染, 定量預(yù)測(cè)其濃度
GC-MS 和電子鼻對(duì)OTA 污染判別正確率分別為
91.9%和81.1%, 對(duì)DON 預(yù)測(cè)誤差為16 μg/kg 和
25 μg/kg
2002[29]
硬質(zhì)小麥 12 個(gè)金屬氧化物傳感器
預(yù)測(cè)樣品受OTA 毒素污染程
度
20%水分的樣品中, 電子鼻特征傳感器響應(yīng)值與
OTA 毒素的相關(guān)系數(shù)達(dá)到0.84~0.87
2005[30]
軟質(zhì)小麥
7 個(gè)金屬絡(luò)合物和1 個(gè)卟
啉傳感器
定性判別樣品是否受青霉和鐮
刀菌污染
電子鼻的綜合判別正確率達(dá)到85.3%, GC-MS 驗(yàn)
證了電子鼻的檢測(cè)結(jié)果
2006[31]
小麥和黑小麥 32 個(gè)質(zhì)譜信號(hào)
定性判別樣品是否感染黃色鐮
刀菌
電子鼻能夠較好區(qū)分受侵染和正常的樣品 2008[32]
玉米粉 10個(gè)金屬氧化物傳感器
定性判別樣品是否受黃曲霉毒
素污染
在主成分得分圖上, 電子鼻能夠區(qū)分正常和受
感染的樣品, 線性判別模型的正確率達(dá)到100%
2009[33]
真菌菌株
12 個(gè)金屬氧化物和10 個(gè)
場(chǎng)效應(yīng)晶體管傳感器
定性判別產(chǎn)OTA 毒素的真菌
菌株
在接種14 d 后, 產(chǎn)OTA 毒素菌株能夠被成功區(qū)
分
2011[34]
軟質(zhì)小麥
8 個(gè)石英晶體微天平傳感
器
判別樣品是否受4 種產(chǎn)毒菌株
污染
電子鼻的綜合判別準(zhǔn)確率超過(guò)80% 2011[35]
玉米籽粒 6個(gè)金屬氧化物傳感器
定性判別分樣品受伏馬菌素污
染程度
電子鼻能夠區(qū)分不同毒素濃度的玉米樣品,
PLSR 模型定量預(yù)測(cè)效果較佳
2011[36]
硬質(zhì)小麥 10 個(gè)金屬氧化物傳感器
定性判別樣品是否受DON 毒
素污染
可以根據(jù)DON 含量的高低成功區(qū)分樣品 2011[37]
硬質(zhì)小麥 多個(gè)金屬氧化物傳感器 定性判別樣品受DON 污染程度電子鼻的整體判別正確率可達(dá)80%以上 2014[38]
2376 食品安全質(zhì)量檢測(cè)學(xué)報(bào) 第5 卷
3 結(jié)論與展望
無(wú)損檢測(cè)技術(shù)作為一門新興的檢測(cè)技術(shù)日益受到廣
泛關(guān)注[45]。它可以在不破壞農(nóng)產(chǎn)品品質(zhì)的基礎(chǔ)上, 利用樣
品的光學(xué)、電學(xué)、聲學(xué)等特性, 結(jié)合現(xiàn)代信息處理技術(shù), 對(duì)
農(nóng)產(chǎn)品品質(zhì)進(jìn)行準(zhǔn)確、快速檢測(cè)。隨著社會(huì)發(fā)展和人民生
活水平的提高, 對(duì)糧食品質(zhì)的要求也越來(lái)越高, 無(wú)損檢測(cè)
技術(shù)由于具有效率高、規(guī)模大、在線檢測(cè)等潛力, 必將在
未來(lái)的糧食檢測(cè)和分級(jí)中得到廣泛應(yīng)用[46]。通過(guò)以上研究
發(fā)現(xiàn), 以近紅外光譜、高光譜圖像以及電子鼻為代表的無(wú)
損檢測(cè)技術(shù)在糧食受真菌毒素污染的檢測(cè)上也取得了積極
進(jìn)展, 但總體還處于初步探索的階段。由于無(wú)損檢測(cè)技術(shù)
主要通過(guò)間接手段獲取信息, 利用化學(xué)計(jì)量學(xué)手段建立與
檢測(cè)對(duì)象的相關(guān)關(guān)系, 檢測(cè)結(jié)果及精度易受樣品狀態(tài)、待
測(cè)對(duì)象含量高低等因素影響, 且檢測(cè)機(jī)制有待進(jìn)一步研究,
目前主要用于定性篩分, 定量檢測(cè)研究不多, 限制了其應(yīng)
用范圍。然而, 隨著無(wú)損檢測(cè)技術(shù)在硬件和軟件方面的不
斷成熟, 基礎(chǔ)理論的不斷突破, 必將在糧食真菌毒素污染
檢測(cè)方面取得成功的應(yīng)用。
參考文獻(xiàn)
[1] 魏文忠, 粱艷紅, 馬紅峰, 等. 糧食中真菌毒素檢測(cè)技術(shù)研究進(jìn)展[J].
糧油食品科技, 2012, 20 (2): 37?39.
Wei WZ, Liang YH, Ma HY, et al. Research Progress in mycotoxin
detection in grain [J]. Sci Tec Cereals, Oils and Foods, 2012, 20 (2):
37?39.
[2] 彭彥昆, 張雷蕾. 農(nóng)畜產(chǎn)品品質(zhì)安全光學(xué)無(wú)損檢測(cè)技術(shù)的進(jìn)展和趨勢(shì)
[J]. 食品安全質(zhì)量檢測(cè)學(xué)報(bào), 2012, 3(6): 561?568.
Peng YK, Zhang LL. Advancement and trend of non-destructive detection
technology for assessing agro-products quality and safety [J]. J Food Safe
Qual, 2012, 3(6): 561?568.
[3] 王加華, 王一方, 屈凌波. 糧食品質(zhì)近紅外光譜無(wú)損檢測(cè)研究進(jìn)展[J].
河南工業(yè)大學(xué)學(xué)報(bào): 自然科學(xué)版, 2011, 32(6): 80?87.
Wang JH, Wang YF, Qu LB. Research progress on nondestructive
detection of grain quality by near infrared spectroscopy [J]. J Henan Univ
Technol (Natural Sci Edition), 2011, 32(6): 80?87.
[4] Peiris KHS, Pumphrey MO, Dowell FE. Application of NIR and MIR
spectroscopy in quality control of potato chips [J]. J Near Infrared Spec,
2009, 17: 213?221.
[5] Hossain MZ, Goto T. Near-and mid-infrared spectroscopy as efficient tools
for detection of fungal and mycotoxin contamination in agricultural
commodities [J]. World Mycotoxin J, 2014: 1?9.
[6] Berardo N, Pisacane V, Battilani P, et al. Rapid detection of kernel rots and
mycotoxins in maize by near-infrared reflectance spectroscopy [J]. J Agric
Food Chem, 2005, 53 (21): 8128?8134.
[7] Beyer M, Pogoda F, Ronellenfitsch FK, et al. Estimating deoxynivalenol
contents of wheat samples containing different levels of
Fusarium-damaged kernels by diffuse reflectance spectrometry and partial
least square regression [J]. Int J Food Microbiol, 2010, 142: 370?374.
[8] Kos G, Krska R, Lohninger H, et al. A comparative study of mid-infrared
diffuse reflection (DR) and attenuated total reflection (ATR) spectroscopy
for the detection of fungal infection on RWA2-corn [J]. Anal Bioanal
Chem, 2004, 378: 159?166.
[9] Pearson TC, Wicklow DT, Maghirang EB, et al. Detecting aflatoxin in
single corn kernels by transmittance and reflectance spectroscopy [J].
Trans ASAE, 2001, 44(5): 1247?1254.
[10] Pettersson H, Åberg L. Near infrared spectroscopy for determination of
mycotoxins in cereals [J]. Food Control, 2003, 14(4): 229?232.
[11] Girolamo A De, Lippolis V, Nordkvist E, et al. Rapid and non-invasive
analysis of deoxynivalenol in durum and common wheat by
Fourier-Transform Near Infrared (FT-NIR) spectroscopy [J]. Food Addit
Contam: Part A, 2009, 26(6): 907?917.
[12] Tallada JG, Wicklow DT, Pearson TC, et al. Detection of fungus-infected
corn kernels using near-infrared reflectance spectroscopy and color
imaging [J]. Trans ASABE, 2011, 54(3): 1151?1158.
[13] Dvo?á?ek V, Prohasková A, Chrpová J, et al. Near infrared spectroscopy
for deoxynivalenol content in intact wheat grain [J]. Plant Soil Environ,
2012, 58 (4): 196?203.
[14] Sirisomboon CD, Putthang R, Sirisomboon P. Application of near infrared
spectroscopy to detect aflatoxigenic fungal contamination in rice [J]. Food
Control, 2013, 33(1): 207?214.
[15] Tekle S, Bjørnstad Å, Skinnes H, et al. Estimating Deoxynivalenol
Content of Ground Oats Using VIS-NIR Spectroscopy [J]. Cereal Chem J,
2013, 90(3): 181?185.
[16] Sirisomboon CD, Putthang R, Sirisomboon P. Application of near infrared
spectroscopy to detect aflatoxigenic fungal contamination in rice [J]. Food
Control, 2013, 33(1): 207?214.
[17] 李江波, 饒秀勤, 應(yīng)義斌. 農(nóng)產(chǎn)品外部品質(zhì)無(wú)損檢測(cè)中高光譜成像技
術(shù)的應(yīng)用研究進(jìn)展[J]. 光譜學(xué)與光譜分析, 2011, 31(8): 2021?2026.
Li JB, Rao XQ, Ying YB. Advance on application of hyperspectral
imaging to nondestructive detection of agricultural products external
quality [J]. Spectrosc Spect Anal, 2011, 31(8): 2021?2026.
[18] Fox G, Manley M. Applications of single kernel conventional and
hyperspectral imaging near infrared spectroscopy in cereals [J]. J Sci Food
Agric, 2014, 94(2): 174?179.
[19] Yao H, Hruska Z, Kincaid R, et al. Differentiation of toxigenic fungi using
hyperspectral imagery [J]. Sensing Instrum Food Qual Safe, 2008, 2(3):
215?224.
[20] Jin J, Tang L, Hruska Z, et al. Classification of toxigenic and atoxigenic
strains of Aspergillus flavus with hyperspectral imaging [J]. Comput
Electron Agric, 2009, 69: 158?164.
[21] Shahin MA, Symons SJ. Detection of Fusarium damaged kernels in
Canada Western Red Spring wheat using visible near-infrared
hyperspectral imaging and principal component analysis [J]. Comput
Electron Agric, 2011, 75: 107?112.
[22] Del Fiore A, Reverberi M, Ricelli A, et al. Early detection of toxigenic
fungi on maize by hyperspectral imaging analysis [J]. Int J Food Microbiol,
2010, 144: 64?71.
[23] Kalkan H, Beriat P, Yardimci Y, et al. Detection of contaminated hazelnuts
and ground red chili pepper flakes by multispectral imaging [J]. Comput
Electron Agric, 2011, 77: 28?34.
[24] Delwiche SR, Kim MS, Dong Y. Fusarium damage assessment in wheat
kernels by Vis NIR hyperspectral imaging [J]. Sensing Instrum Food Qual
第8 期 沈 飛, 等: 糧食真菌毒素污染的無(wú)損檢測(cè)方法研究進(jìn)展 2377
Safe, 2011, 5(2): 63?71.
[25] Bauriegel E, Giebel A, Herppich WB. Hyperspectral and chlorophyll
fluorescence imaging to analyse the impact of Fusarium culmorum on the
photosynthetic integrity of infected wheat ears [J]. Sensors, 2011, 11:
3765?3779.
[26] Singh CB, Jayas DS, Paliwal J, et al. Fungal damage detection in wheat
using short-wave near-infrared hyperspectral and digital colour imaging
[J]. Int J Food Prop, 2012, 15(1): 11?24.
[27] Wang W. Heitschmidt GW, Ni XZ, et al. Identification of aflatoxin B1 on
maize kernel surfaces using hyperspectral imaging [J]. Food Control, 2014,
42: 78?86.
[28] 胡桂仙, 王建軍, 王小驪, 等. 糧油品質(zhì)檢測(cè)評(píng)價(jià)新技術(shù)的研究進(jìn)展及
展望[J]. 中國(guó)糧油學(xué)報(bào), 2011, 26(3): 110?118.
Hu GX, Wang JJ, Wang XL, et al. Study progress and prospects for
technology of detection for quality evaluation in cereal and oil [J]. J Chin
Cereals Oils Association, 2011, 26(3): 110?118.
[29] Olsson J, Börjesson T, Lundstedt T, et al. Detection and quantification of
ochratoxin A and deoxynivalenol in barley grains by GC-MS and
electronic nose [J]. Int J Food Microbiol, 2002, 72: 203?214.
[30] Abramson D, Hulasare R, York RK. Mycotoxins, ergosterol, and odor
volatiles in durum wheat during granary storage at 16% and 20% moisture
content [J]. J Stored Prod Res, 2005, 41(1): 67?76.
[31] Paolesse R, Alimelli A, Martinelli E, et al. Detection of fungal
contamination of cereal grain samples by an electronic nose [J]. Sensor
Actuat B, 2006, 119: 425?430.
[32] Perkowski J, Bu?ko M, Chmielewski J, et al. Content of trichodiene and
analysis of fungal volatiles (electronic nose) in wheat and triticale grain
naturally infected and inoculated with Fusarium culmorum [J]. Int J Food
Microbiol, 2008, 126: 127?134.
[33] Cheli F, Campagnoli A, Pinotti L, et al. Electronic nose for determination
of aflatoxins in maize [J]. Biotechnol, Agron, Soc Environ, 2009, 13(S):
39?43.
[34] Leggieri M C, Pont N P, Battilani P, et al. Detection and discrimination
between ochratoxin producer and non-producer strains of Penicillium
nordicum on a ham-based medium using an electronic nose [J]. Mycotoxin
Res, 2011, 27: 29?35.
[35] Eifler J, Martinelli E, Santonico M, et al. Differential detection of
potentially hazardous Fusarium species in wheat grains by an electronic
nose [J]. PloS one, 2011, 6(6): e21026.
[36] Gobbi E, Falasconi M, Torelli E, et al. Electronic nose predicts high and
low fumonisin contamination in maize cultures [J]. Food Res Int, 2011, 44:
992?999.
[37] Campagnoli A, Cheli F, Polidor C, et al. Use of the electronic nose as a
screening tool for the recognition of durum wheat naturally contaminated
by deoxynivalenol: a preliminary approach [J]. Sensors, 2011, 11:
4899?4916.
[38] Lippolis V, Pascale M, Cervellieri S, et al. Screening of deoxynivalenol
contamination in durum wheat by MOS-based electronic nose and
identification of the relevant pattern of volatile compounds [J]. Food
Control, 37: 263?271.
[39] Ng HF, Wilcke WF, Morey RV, et al. Machine vision evaluation of corn
kernel mechanical and mold damage [J]. Trans ASAE, 1998, 41(2):
415?420.
[40] Luo X, Jayas DS, Symons SJ. Comparison of statistical and neural
network methods for classifying cereal grains using machine vision [J].
Trans ASAE, 1999, 42(2): 413?419.
[41] Narvankar DS, Singh CB, Jayas DS, et al. Assessment of soft X-ray
imaging for detection of fungal infection in wheat [J]. Biosystems Eng,
2009, 103: 49?56.
[42] Juodeikiene G, Basinskiene L, Vidmantiene D, et al. Rapid acoustic
screening of deoxynivalenol (DON) in grain [J]. World Mycotoxin J, 2008,
1(3): 267?274.
[43] Liu Y, Delwiche SR, Dong Y. Feasibility of FT–Raman spectroscopy for
rapid screenin g for DON toxin in ground wheat and barley [J]. Food Addit
Contam: Part A, 2009, 26(10): 1396?1401.
[44] Lee KM, Herrman TJ, Bisrat Y, et al. Feasibility of Surface-Enhanced
Raman Spectroscopy for Rapid Detection of Aflatoxins in Maize [J]. J
Agric Food Chem, 2014, 62 (19): 4466?4474.
[45] 李志霞, 聶繼云. 無(wú)損檢測(cè)技術(shù)及其在果品質(zhì)量安全檢測(cè)中的應(yīng)用[J].
中國(guó)農(nóng)業(yè)科技導(dǎo)報(bào), 2013, 15(4): 31?35.
Li ZX, Nie JY. Nondestructive Testing Technologies and its Application in
Fruit Quality and Safety Determination [J]. J Agric Sci Technol, 2013,
15(4): 31?35.
[46] 孫力, 林顥, 蔡健榮, 等. 現(xiàn)代成像技術(shù)在食品/農(nóng)產(chǎn)品無(wú)損檢測(cè)中的
研究進(jìn)展[J]. 食品安全質(zhì)量檢測(cè)學(xué)報(bào), 2014, 5(3): 643?650.
Sun L, Lin H, Cai JR, et al. Progress research of advanced imaging
technique and its application in food and agricultural product
non-destructive detection [J]. J Food Safe Qual, 2014, 5(3): 643?650.
(責(zé)任編輯:趙靜)
作者簡(jiǎn)介
沈 飛, 博士, 主要研究方向?yàn)檗r(nóng)產(chǎn)品
儲(chǔ)藏和檢測(cè)技術(shù)。
E-mail: shenfei0808@163.com

網(wǎng)友評(píng)論 more

食品安全論文最新內(nèi)容

07-11