巴旦木是一种营养丰富的“高富帅”坚果，价格也相对较高。因此，往往有不良商贩用杏仁掺假巴旦木，来获得高额利润。杏仁相对便宜，而且在颜色、质地、气味等理化特性上与巴旦木几乎相同，所以是掺假巴旦木的不二之选。今天，小编带大家一起看一下来自韩国忠南大学的Hoonsoo Lee教授及其团队是如何运用高科技手段鉴别真假巴旦木的。

实验样品来自阿富汗喀布尔一家食品厂商，包含两种巴旦木和两种杏仁。先去除样品中受损的玉米粒和异物。第一个品种的巴旦木被命名为卡哈拜，第二个品种叫萨曼甘。鉴别设备是一套线扫描 (近红外) 高光谱成像系统，包括一台美国Resonon产的推扫式高光谱相机Pika NIR-640，和一台近红外成像仪 (覆盖900-1700 nm光谱范围，分辨率为2.5 nm)。文本利用MATLAB软件开发了一个图形用户界面来控制数据采集的原型系统。

图1. 从数据收集到最终在线排序应用程序的流程示意图

本文采用归一化、平滑、乘性散射校正 (MSC)、标准正态变量 (SNV) 和Savitzky-Golay一阶导数 (SG 1st) 和二阶导数 (SG 2nd) 等多种预处理方法对原始光谱数据进行去除噪声和不良元素的处理。图2为预处理前后的光谱数据，其中红色代表巴旦木，蓝色代表杏仁。利用这些预处理技术对光谱数据进行改进，去除干扰信息，保留有价值的光谱，从而为本研究开发的多元分类模型提供更好的性能。

图2. 巴旦木和杏仁的原始和预处理光谱数据。(a)纯光谱数据；(b)950–1622 nm光谱区域的标准归一化(SNV)预处理光谱。

在本文中，通过PLS-DA模型对掺假巴旦木分类的效率性能进行了评估。首先使用0.5的阈值去除背景，然后对化学图进行可视化。接下来，将消除了背景的PLS-DA图像转换为二值图像。检测率计数考虑像素的强度反射，像素强度大于像素总数50%的被认为是巴旦木，像素强度小于50%的种子被认为是杏仁。

对于不同的预处理方法，PLS-DA分类模型的性能也随之改变。PLS-DA模型将448个样本分为两组：校准集 (n = 310) 和验证集 (n = 138)，该模型结合原料预处理对掺假巴旦木的鉴别能力接近完美 (97%)。因此，在原料预处理中通过校准和预测所获得的精度表明该方法适合于鉴别巴旦木和杏仁。根据每种预处理方法，得到的每种技术的分类模型如表1所示。由表1显示的结果可以看出，几乎所有预处理方法的精度都是相似的。

表1. 利用偏最小二乘判别分析(PLS-DA)对掺伪巴旦木进行了分类。

成分可视化映射图 (图3) 不仅提供了样品表面掺假的空间分布，而且对鉴别巴旦木样品掺假的具体情况也有一定帮助。从蓝色到红色的色标显示的是真假巴旦木的化学成分的差异，第一列显示的是巴旦木。因为巴旦木的化学成分和脂质含量比杏仁高，能吸收更多的光，所以巴旦木的颜色较蓝。根据显示种子表面反射光强度的色条，巴旦木比杏仁更蓝，而杏仁比巴旦木反射的光更多。

图3. PLS-DA模型的鉴别映射图像，可以方便地可视化两个种子品种的掺假种子的化学成分。

将检测到二元分类结果传输到Arduino系统中，用于控制喷射器电磁阀的开关。如果系统检测到是杏仁，就会向Arduino发送“Yes”信号，以打开喷射器阀门并通过压力将杏仁吸出，而“No”信号则关闭阀门。用于在线应用评估的是总数为100颗巴旦木和100颗杏仁的混合样本。两组鉴别种子的总体准确率均为85%。在线应用程序显示了一个稍微低的精度，这可能是由于照明优化和移动的输送带与更高的速度。

实验结果显示，PLS-DA模型结合原料预处理能辨别的巴旦木超过97%的准确性验证。将此模型应用于近红外光谱成像系统中，为大规模、非破坏性和快速测定掺假巴旦木提供了契机。同时，该技术在大量种子鉴别的产业化应用提供了前景。

往期回顾：

超临界水气化技术：生物质高效高产制氢新方向 | MDPI Applied Sciences

半液化树皮：廉价环保的刨花板制造新原料 | MDPI Applied Sciences

版权声明：

*本文内容由Applied Sciences Editorial Office编写。如需转载，请邮件联系：mdpicnmarketing@mdpi.com

由于微信订阅号推送规则更新，建议您将“MDPI 开放获取出版”设为星标，便可在消息栏中便捷地找到我们，及时了解最新开放出版动态资讯！

点击“阅读原文”，了解Applied Sciences 期刊更多内容。