导航：安全管理网>> 安全论文>> 食品安全论文>>正文

粮食真菌毒素污染的无损检测方法研究进展

文档作者：沈飞1,2 吴启芳1,2 刘兵1,2 宋伟1,2 文档来源： 1. 南京财经大学食品科学与工程学院 2. 粮食储运国家工程实验室		点击数：	更新时间： 2025年07月11日
下载地址：点击这里	文件大小： 486.88 KB 共6页	文档格式： PDF	下载点数： 1 点（VIP免费）

全屏查看

内容预览 [文件共6页]

本文件共6页，如需编辑使用，请下载。

注：预览效果可能会出现部分文字乱码（如口口口）、内容显示不全等问题，下载是正常的。

	文件大小：486.88 KB 共6页文件格式：PDF 下载点数：1 点（VIP会员免费）

上一篇：粮油检验工作存在的问题及其对粮油安全的…

文本预览

仅提取页面文字内容，供快速阅读使用。

第5 卷 第8 期 食品安全质量检测学报 Vol. 5 No. 8
2014 年8 月 Journal of Food Safety and Quality Aug. , 2014
基金项目: 国家自然科学基金项目(31301482)、江苏省青年自然科学基金项目(BK20131007)、江苏省高校自然科学研究项目
(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)
*通讯作者: 沈飞, 讲师, 主要研究方向为粮食储藏和检测技术研究。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
粮食真菌毒素污染的无损检测方法研究进展
沈 飞1,2*, 吴启芳1,2, 刘 兵1,2, 宋 伟1,2
(1. 南京财经大学食品科学与工程学院, 南京 210046; 2. 粮食储运国家工程实验室, 南京 210046)
摘要: 粮食种植、加工和储运过程易受真菌毒素污染, 严重威胁人畜健康。然而, 目前传统的真菌毒素检测
方法存在过程繁琐、时效性差或灵敏度低等缺点, 难以满足现场快速准确检测的需要, 日益成为制约粮食质量
安全的瓶颈。现代无损检测技术作为一种新兴的检测技术, 可以在不破坏样品的情况下对其进行质量评价, 是
粮食品质在线、实时检测的一个重要发展方向, 在粮食真菌毒素污染的快速分析方面具有巨大的应用潜力。本
文重点综述了近红外光谱、高光谱图像、电子鼻等典型无损检测技术在粮食真菌毒素污染检测分析中的最新
研究进展, 讨论了各种技术的优点及限制因素, 并对其应用前景进行了展望。
关键词: 粮食; 真菌毒素; 无损检测; 研究进展
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 飞, 等: 粮食真菌毒素污染的无损检测方法研究进展 2373
1 引 言
粮食是关系国计民生的重要战略物资。然而, 粮食在
种植、收获、储藏以及运输过程中, 易受黄曲霉毒素
(aflatoxin, AFT)、赭曲霉毒素(ochratoxin A , OTA)、脱氧雪
腐镰刀菌烯醇(deoxynivalenol , DON)等多种真菌毒素污染,
严重威胁人畜健康。目前, 真菌毒素的检测方法主要有高
效液相色谱法、薄层色谱法和酶联免疫吸附法等, 但均存
在过程繁琐、时效性差或灵敏度低等缺点, 无法实现粮食
真菌毒素污染的连续准确监测[1]。因此, 发展快速、准确
且经济可行的检测方法, 已经成为确保粮食质量安全亟需
解决的关键问题之一。无损检测技术(nondestructive
determination technology, NDT)可以在不破坏或损坏被检
测对象的基础上, 利用农产品内部结构异常或缺陷所引起
的对热、声、光、电、磁等反应的变化, 来探测其性质和
数量的变化[2]。近年来, 随着全社会对食品安全的高度重
视, 对粮食真菌毒素污染的关注程度也不断提高, 对真菌
毒素的分析手段逐步向着实时、快速、准确的方向转变。
在这一背景下, 以近红外光谱、高光谱图像和电子鼻技术
等为代表的无损检测技术日益受到广泛关注, 在粮食真菌
毒素污染快速分析中也获得了越来越多的应用研究。本文
重点综述了红外光谱、高光谱图像和电子鼻等主要无损检
测技术在粮食真菌毒素污染检测中的最新进展, 探讨了各
项技术的优势与不足, 展望了其应用前景。
2 无损检测方法介绍与应用研究进展
2.1 近红外光谱技术
近红外光谱(near infrared spectroscopy, NIRS)是指波
长在7802526 nm 介于可见光区和中红外光区之间的电磁
波, 对应于有机分子中含氢基团的倍频与合频振动信息,
具有分析速度快、多组分同时检测、无需样品预处理等优
点, 已被应用于粮食多项内部品质指标(水分、淀粉、蛋白
等)的检测分析[3]。研究表明很多真菌毒素在近红外波段有
特征吸收光谱, 且其含量的高低对粮食籽粒的近红外光
谱有影响[4]。近年来, 已有越来越多的学者尝试将近红外
光谱技术应用于粮食真菌毒素污染的快速分析[5]。Berardo
等[6]利用近红外光谱区分了受串珠镰刀菌污染的意大利小
麦样品, 并对样品中的麦角甾醇和伏马毒素B1(fumonisins
B1, FB1)进行了定量预测, 预测模型的决定系数(R2)均超过
0.78, 对FB1 的预测误差(RMSEP)达到1.33 mg/kg。Beyer
等[7]利用可见/近红外光谱技术对小麦样品中的DON 毒素
进行了快速分析, 偏最小二乘回归模型(PLSR)的相关系数
达到0.84, 预测误差SEP 为0.89±3.61 mg/kg, 实现了样品
受污染程度大小的快速筛选。Kos 等[8]还利用漫反射和衰
减全反射红外光谱分析了玉米样品受脱氧雪腐镰刀菌烯醇
污染的情况, 发现衰减全反射光谱对受污染样品的判别正
确率达到100%, 且PLSR 对脱氧雪腐镰刀菌烯醇含量的预
测误差为600 μg/kg。近红外光谱检测真菌毒素具有操作简
便、分析速度快、无需使用化学试剂的独特优势, 其应用
情况如表1 所示。但是由于真菌毒素在粮食中的含量一般
较低, 而且近红外检测结果还易受到样品状态、预处理措
施、样品浓度范围及样品量的影响, 检测精度受到一定限
制, 定性判别准确率一般较高, 但定量预测结果有待提升,
主要用于样品受污染程度的快速筛选。
2.2 高光谱图像技术
高光谱图像技术, 是近年来迅速兴起的一门新的分
析技术, 它可以看作是光谱分析技术和图像处理技术在最
低层面上的融合, 能同时获得被检对象的光谱和空间信息,
可以实现内部与外部品质的同时检测, 代表了农产品检测
技术未来发展方向[17]。与近红外光谱检测法类似, 多种真
菌毒素在高光谱检测波段范围内均存在特征吸收, 因此高
光谱技术也被逐渐用于粮食受真菌毒素污染的检测分
析[18]。Yao 等[19]采集了5 种产毒和非产毒的真菌菌株的可
见近红外高光谱图像, 确定了可用于对象区分的特征波长
(743、458、541 nm), 对这5 种真菌的整体判别准确率达
97.7%。Jin 等[20]利用高光谱图像区分了产毒和非产毒的黄
曲霉菌株, 并比较了不同光源的检测效果。结果发现, 对产
毒菌株和非产毒菌株判别正确率卤素灯光源为83%和74%,
紫外灯光源为67%和85%。Shahin 等[21]也对加拿大红春麦
受镰刀菌污染程度进行了检测分析, 对污染样本的判别正
确率达到92%。由于高光谱图像技术具有的独特优势, 其
在农产品内部与外部品质同时检测领域发展十分迅猛, 在
粮食真菌毒素污染检测中的应用也越来越多, 如表2 所示。
但由于高光谱图像分析系统结构较为复杂, 数据量巨大,
分析速度较慢, 目前还主要还用于粮食真菌毒素污染的定
性筛分, 定量测定含量的研究较少。下一步的发展方向是
确定不同真菌毒素所对应的特征波段, 发展多光谱成像在
线检测系统, 以提高检测效率和检测精度。
2.3 电子鼻技术
电子鼻是一种模拟生物嗅觉系统的现代检测方法,
是利用对不同类别气体敏感的传感器阵列的响应信号和模
式识别算法来识别气味的电子系统, 具有检测方便、快捷、
客观性和重复性好以及不损伤样品等优点。粮食在发霉过
程中, 由于微生物不断分解粮食有机质, 会产生大量特征
性气味成分[28]。众多研究表明, 这些挥发性成分与麦角甾
醇、菌落总数以及黄曲霉毒素、赭曲霉毒素等真菌毒素之
间存在内在联系, 可用于真菌毒素的污染程度的实时监
测。Olsson 等[29]利用电子鼻和GC-MS 对大麦中的赭曲霉
毒素和脱氧雪腐镰刀菌烯醇进行了检测分析, GC-MS 和电
子鼻对赭曲霉毒素的识别率为91.9%和81.1%, 建立的定
2374 食品安全质量检测学报 第5 卷
量分析模型对脱氧雪腐镰刀菌烯醇含量的预测相对误差
SEP 分别达到16 μg/kg 和25 μg/kg, 并鉴定出脱氧雪腐镰
刀菌烯醇毒素密切相关的特征挥发性成分。Abramson 等[30]
对不同储藏条件下硬质小麦中的真菌毒素含量进行了测定,
发现储藏20 周时, 20%水分含量的小麦样品中均检出赭曲
霉毒素和黄绿青霉素, 电子鼻特征传感器的响应信号值与
这两种毒素含量的相关系数分别达到0.87 和0.83。电子鼻
检测具有方便、简单的优点, 应用范围也越来越广泛(如表
3 所示)。然而, 由于对粮食储运过程产生的真菌毒素与气
味成分的相关关系, 以及电子鼻对真菌毒素指示性气味成
分的响应大小等尚缺乏基础理论研究, 因此, 利用电子鼻
来检测粮食真菌毒素污染还处于探索阶段, 还需要进一步
研究来深入了解电子鼻技术的优缺点和局限性, 为今后的
实际应用提供依据。
2.4 其他无损检测技术
机器视觉是基于图像的数字识别技术而发展起来的
新兴技术, 通过对样品图像信息的分析得到尺寸、表面色
度、外观形状及缺陷等具体信息, 进而实现外观质量综合
评价。虽然机器视觉技术无法直接判定粮食样品的真菌毒
素污染情况, 但可以通过粮食霉变引起的色泽变化判断样
品受感染情况。Ng 等[39]尝试利用计算机图像对霉变玉米
籽粒进行识别, 通过图像信息的差异, 计算霉变区域的比
例, 实现了对霉变样本的区分。Luo 等[40]利用机器视觉结
合模式识别技术, 对正常小麦和6 种不同缺陷的小麦进行
了区分, 对霉变粒的总体判别正确率达到98.6%。X 射线
在穿透物质时, 和不同物质的原子发生相互作用后发生衰
减的程度不同。利用这个原理, Narvankar 等[41]区分了正常
的和受霉菌污染的小麦样品, 判别正确率达到90%以上。
此外, 根据正常的和受真菌感染的谷物对声学的振幅反应
情况不同, 且声学振幅与感染情况有很强的相关性, 可以
利用此特性来快速检测谷物的感染情况。Juodeikiene 等[42]
用声波法对枯萎谷物和正常谷物进行了分析, 结果表明黄
曲霉毒素的浓度含量与振幅存在相关性, 以此区分了受污
染的小麦样品。Liu 等[43]应用拉曼光谱技术对受DON 污染
的小麦和大麦样品进行了尝试检测, 结果表明拉曼光谱技
术可以区分样品受污染的程度。Lee 等[44]也应用表面增强
拉曼光谱对玉米中的黄曲霉毒素B1进行了定量预测, 验证
模型的相关系数达0.90 以上。
表1 近红外光谱技术检测粮食真菌毒素污染的研究进展
Table 1 Research progress on mycotoxin contamination detection in grain by near-infrared spectroscopy
研究对象 检测波段 研究内容 研究结果 参考文献
玉米籽粒
近红外透射光谱(500~950 nm)
近红外反射光谱(550~1700 nm)
定性判别受AFT 毒素污染的
程度
AFT 含量小于10 μg/kg 或大于100 μg/kg 时,
判别正确率大于95%, 含量介于两者之间判
别正确率仅为25%
2001[9]
小麦籽粒 近红外透射光谱(570~1100 nm) 定量预测DON 毒素含量
偏最小二乘回归模型(PLSR)预测相关系数r
为0.984, 预测相对误差(SEP)为 381 μg/kg
2003[10]
玉米籽粒 漫反射与衰减全反射红外光谱
(600~1900 cm-1)
定性判别样品是否受DON 毒
素污染, 定量预测DON 含量
衰减全反射模型精度较高, 100%判别正确,
预测相关系数r 为0.8064, SEP 为438.7
μg/kg
2004[8]
玉米籽粒
玉米粉
近红外反射光谱(400~1100 nm,
400~2500 nm)
定性判别样品受真菌污染, 定
量预测麦角甾醇和FB1 含量
预测模型的决定系数(R2)均超过0.78
对FB1 预测精度RMSEP 为1.33 mg/kg
2005[6]
玉米和大麦 近红外反射光谱(400~2500 nm) 定量预测AFB1 含量
玉米模型决定系数R2=0.82, SEP=0.200 ppb
大麦模型决定系数R2=0.85, SEP=0.176 ppb
2009[11]
小麦等谷物 近红外反射光谱(350~2500 nm) 定量预测DON 毒素含量 模型决定系数R2=0.84, SEP=3.61 mg/g 2010[7]
玉米籽粒
近红外烦死光谱(904~1685 nm)
彩色图像
样品受8 种不同霉菌的感染
程度
对未受感染和受感染样品的判别正确率率近
红外分别89%和79%, 彩色图像均为75%
2011[12]
小麦籽粒 近红外光谱(4000~10000 cm-1) 定量预测DON 毒素含量 PLSR 模型的预测相关系数r 为0.88,
SEP=6.23 mg/g
2012[13]
水稻 近红外漫反射光谱(950~1650
nm)
霉菌感染率和黄绿曲霉感染
率
霉菌感染率 r=0.668, SEP=28.874%
黄绿曲霉感染率r=0.437, SEP=18.723%
2013[14]
燕麦 近红外光谱(400~2350 nm) 定量预测DON 毒素含量 模型SEP =3.16 ppm, RPD 值为2.63 2013[15]
水稻 近红外反射光谱(950~1650 nm)
定量预测产黄曲霉毒素菌株
感染程度
预测模型相关系数r=0.668, SEP=28.874% 2013[16]
第8 期 沈 飞, 等: 粮食真菌毒素污染的无损检测方法研究进展 2375
表2 高光谱图像光谱技术检测粮食真菌毒素污染的研究进展
Table 2 Research progress on mycotoxin contamination detection in grain by hyperspectral imaging
研究对象 检测波段 研究内容 研究结果 参考文献
霉菌菌株 高光谱图像(4001000 nm)
定性判别5 种产毒和非产
毒真菌菌株
对5 种霉菌的综合判别正确率达到97.7% 2008[19]
黄曲霉真菌
菌株
高光谱图像(4001000 nm)
定性判别产毒和非产毒黄
曲霉菌株
对产毒黄曲霉菌株的判别正确率为83%, 非产毒
菌株为74%
2009[20]
玉米籽粒 高光谱图像(4001000 nm)
定性判别受真菌毒素污染
的样品
在接种菌株48 h 后受感染的玉米样品能够被区分2010[22]
榛子和辣椒 五个波段的多光谱成像
定性判别受黄曲霉毒素污
染的样品
受黄曲霉毒素污染的判别正确率: 榛子为92.3%,
辣椒为80%
2011[23]
红春麦籽粒 高光谱图像(4001000 nm)
定性判别无害和受感染的
样品
对无害、中度感染和重度感染三类样品的整体判
别正确率为92%
2011[21]
小麦籽粒 高光谱图像(4001000 nm,
10001700 nm)
定性判别样品是否受镰刀
菌污染
不同的高光谱系统均能区分受感染样品, 判别正
确率达95%
2011[24]
麦穗
高光谱图像(4001000 nm)
叶绿素荧光成像
定性判别样品受镰刀菌素
侵染程度(赤霉病)
对样品侵染程度的判别正确率达到80% 2011[25]
小麦籽粒
高光谱图像 7001100 nm
面扫描图像
定性判别样品是否受真菌
污染
运用不同特征组合对无害和受真菌感染样品的判
别正确率为97.3%100.0%
2012[26]
玉米籽粒 高光谱图像(10002500 nm)
定性判别受黄曲霉毒素污
染的样品
对受感染样品的识别率达到88% 2014[27]
表3 电子鼻技术检测粮食真菌毒素污染的研究进展
Table 3 Research progress on mycotoxin contamination detection in grain by electronic nose
研究对象 电子鼻传感器数量 研究内容 研究结果 参考文献
大麦籽粒 10 个金属氧化物传感器
定性区分是否OTA 和DON 毒
素污染, 定量预测其浓度
GC-MS 和电子鼻对OTA 污染判别正确率分别为
91.9%和81.1%, 对DON 预测误差为16 μg/kg 和
25 μg/kg
2002[29]
硬质小麦 12 个金属氧化物传感器
预测样品受OTA 毒素污染程
度
20%水分的样品中, 电子鼻特征传感器响应值与
OTA 毒素的相关系数达到0.84~0.87
2005[30]
软质小麦
7 个金属络合物和1 个卟
啉传感器
定性判别样品是否受青霉和镰
刀菌污染
电子鼻的综合判别正确率达到85.3%, GC-MS 验
证了电子鼻的检测结果
2006[31]
小麦和黑小麦 32 个质谱信号
定性判别样品是否感染黄色镰
刀菌
电子鼻能够较好区分受侵染和正常的样品 2008[32]
玉米粉 10个金属氧化物传感器
定性判别样品是否受黄曲霉毒
素污染
在主成分得分图上, 电子鼻能够区分正常和受
感染的样品, 线性判别模型的正确率达到100%
2009[33]
真菌菌株
12 个金属氧化物和10 个
场效应晶体管传感器
定性判别产OTA 毒素的真菌
菌株
在接种14 d 后, 产OTA 毒素菌株能够被成功区
分
2011[34]
软质小麦
8 个石英晶体微天平传感
器
判别样品是否受4 种产毒菌株
污染
电子鼻的综合判别准确率超过80% 2011[35]
玉米籽粒 6个金属氧化物传感器
定性判别分样品受伏马菌素污
染程度
电子鼻能够区分不同毒素浓度的玉米样品,
PLSR 模型定量预测效果较佳
2011[36]
硬质小麦 10 个金属氧化物传感器
定性判别样品是否受DON 毒
素污染
可以根据DON 含量的高低成功区分样品 2011[37]
硬质小麦 多个金属氧化物传感器 定性判别样品受DON 污染程度电子鼻的整体判别正确率可达80%以上 2014[38]
2376 食品安全质量检测学报 第5 卷
3 结论与展望
无损检测技术作为一门新兴的检测技术日益受到广
泛关注[45]。它可以在不破坏农产品品质的基础上, 利用样
品的光学、电学、声学等特性, 结合现代信息处理技术, 对
农产品品质进行准确、快速检测。随着社会发展和人民生
活水平的提高, 对粮食品质的要求也越来越高, 无损检测
技术由于具有效率高、规模大、在线检测等潜力, 必将在
未来的粮食检测和分级中得到广泛应用[46]。通过以上研究
发现, 以近红外光谱、高光谱图像以及电子鼻为代表的无
损检测技术在粮食受真菌毒素污染的检测上也取得了积极
进展, 但总体还处于初步探索的阶段。由于无损检测技术
主要通过间接手段获取信息, 利用化学计量学手段建立与
检测对象的相关关系, 检测结果及精度易受样品状态、待
测对象含量高低等因素影响, 且检测机制有待进一步研究,
目前主要用于定性筛分, 定量检测研究不多, 限制了其应
用范围。然而, 随着无损检测技术在硬件和软件方面的不
断成熟, 基础理论的不断突破, 必将在粮食真菌毒素污染
检测方面取得成功的应用。
参考文献
[1] 魏文忠, 粱艳红, 马红峰, 等. 粮食中真菌毒素检测技术研究进展[J].
粮油食品科技, 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] 彭彦昆, 张雷蕾. 农畜产品品质安全光学无损检测技术的进展和趋势
[J]. 食品安全质量检测学报, 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] 王加华, 王一方, 屈凌波. 粮食品质近红外光谱无损检测研究进展[J].
河南工业大学学报: 自然科学版, 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] Dvořáček 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, 饶秀勤, 应义斌. 农产品外部品质无损检测中高光谱成像技
术的应用研究进展[J]. 光谱学与光谱分析, 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 飞, 等: 粮食真菌毒素污染的无损检测方法研究进展 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, 王建军, 王小骊, 等. 粮油品质检测评价新技术的研究进展及
展望[J]. 中国粮油学报, 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, Buśko 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, 聂继云. 无损检测技术及其在果品质量安全检测中的应用[J].
中国农业科技导报, 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] 孙力, 林颢, 蔡健荣, 等. 现代成像技术在食品/农产品无损检测中的
研究进展[J]. 食品安全质量检测学报, 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.
(责任编辑:赵静)
作者简介
沈 飞, 博士, 主要研究方向为农产品
储藏和检测技术。
E-mail: shenfei0808@163.com

网友评论 more

食品安全论文最新内容

07-11