為了幫助人們快捷檢測食品健康問題，光譜分析技術已經實現與智能手機的融合誕生了面向普通民眾的高光譜應用，借助于嵌入到智能手機里的光譜儀，實時獲取通過手機快速檢測果蔬食品安全信息。

任何物質都具有能量，產生獨有的光波，因此不同的物質反射的光波也不盡相同，這就好像是與生俱來的身份證，是辨別物質簡單，準確的方式。通常人眼可看見的光波被稱為可見光，波長一般在390納米到780納米之間，而這臺被稱為短波紅外高光譜儀能夠分辨2500納米的光譜，是人眼完全看不到的部分，但借助這束光波就能夠讓我們有一雙看透一切物質的眼睛。不同材質的東西，它的光譜曲線也不一樣，科研人員就是通過這個原理，來進行食品新鮮度的檢測。

什么豆芽是不是用藥水泡過的，市場里的肉新不新鮮，甚至是葡萄的含糖量都能“嗖”一下就透視出來。實際上，這種光譜透視眼不僅能看透食材的優劣，還能分辨紅酒的純度，未來甚至還能預測果蔬的病蟲害。

從近紅外光譜可以得到分子中含氫基團的振動光譜的大量信息，已成功地應用于定量分析。然而，近紅外光譜（NIR）嚴重重疊，需用化學計量學的方法，建立多元回歸的定量模型進行分析和預測。偏小二乘法（PLS）是近紅外光譜分析中使用多和效果好的方法。PLS 通過因子分析將光譜（多維空間數據，維數相當于波長數目）壓縮為低維空間數據，將原近紅外復雜光譜分解為多種成分的單一光譜，并去除干擾組分和干擾因素的影響，僅選用有用的組分參與官能團定量關系的回歸。因此，PLS 既能將原光譜數據映射為信息量非常集中的少數潛變量，又能選出和應變量相關性大的潛變量，作為主成分建立模型。

目前， 近紅外光譜技術用于啤酒檢測主要測定啤酒中的酒精度、原麥汁濃度、總酸及糖度，具有較好的精度，可以替代常規的理化分析方法。運用不同的化學計量學方法建立多元線性回歸、逐步回歸分析、主成分分析、主成分回歸、偏小二乘法、神經網絡方法的近紅外光譜定性或定量校正模型，通過所建立的校正模型，實現對未知樣品的定性或者定量分析， 在相同的啤酒酒精度的檢測中，神經網絡模型的預測精度優于逐步回歸分析，逐步回歸分析優于多元線性回歸，偏小二乘法差。由于近紅外光譜技術具有實時、快速的特點，易于實現生產過程質量的在線控制，具有廣泛的應用前景。

?