NIR:近红外;PLS/PLSR:偏最小二乘回归;SNV:标准正态变量;MLR:多元线性回归;MPLS:改进的偏最小二乘法;

MCR-ALS:交替最小二乘法的多变量曲线解析;R':决定系数;Rc:校准的决定系数;Rcv:交叉验证的决定系数;Rp:预测的

决定系数;RMSE:均方根误差;RMSEc:校准的均方根误差;RMSEcv:交叉验证的均方根误差;RMSEp:预测的均方根差;

RPD:性能偏差比;SD：标准差;SE:标准误差;SEc:校准的标准误差;SEcv:交叉验证的标准误差;SEP:预测的标准误差；AE：绝对误差。

       采用了近红外波段技术并结合线性回归的方法，但所得结果并不令人满意。此外，科研人员咖啡中的其他一系列生物活性化合物进行了测试，包括酪酮、醛类、吡嗪类和黑素苷类，并且测得的相关系数（R2)低于0.90。除了这些成分外，蛋白质也是绿色咖啡豆中常见的且必不可少的生物活性成分，它由各种与烘焙过程中咖啡香气生成相关的氨基酸组成。目前，关于咖啡中蛋白质含量的研究还很有限，进行的一项值得注意的研究在可见光-近红外高光谱成像中对烘焙后的咖啡豆中可提取蛋白质的调整预测R2值为0.76，重点在于识别不同咖啡品牌的烘焙类别。值得注意的是，尽管人们对监测咖啡因摄入量以及氯ogenic酸对咖啡口感的影响很感兴趣，但目前市场上还没有任何经济实惠且便携的设备可供消费者在家中或咖啡馆内进行即时现场检测。目前市场上唯一一款用户友好型设备是CA700便携式咖啡咖啡因/氯ogenic酸(CGA)分析仪（台湾新竹县Lighttells公司）。该设备旨在测量咖啡中的咖啡因和氯ogenic酸含量，可连接智能手机并在一分钟内提供结果（根据其用户手册）。然而，由于其高昂的价格，它仍然主要作为专业实验室的工具使用。因此，需要在HSI技术方面进一步发展，以创造更易获取且价格更实惠的日常使用替代品。

2.1.3 掺假物

       与咖啡豆的原始缺陷不同，掺假通常是一种为了最大化利润而故意为之的行为。常见的掺假物通常包括外来物质，如谷物、树枝以及与咖啡相关的副产品，如咖啡壳、浆果皮、羊皮纸或用过的咖啡渣。此外，有时会将低质量的咖啡与高等级的品种混合。目前，各种技术可用于检测咖啡和其他产品中的掺假。这些方法主要依赖于特定的分析方法，如高效液相色谱（HPLC）、气相色谱-质谱（GC-MS）和酶联技术。尽管这些针对性方法在识别掺假方面高度准确且已得到广泛应用，但它们成本高昂、耗时、复杂，并且局限于实验室环境。此外，由于这些方法侧重于基于预设目标检测特定标记物，它们提供的信息有限，可能无法完全有效应对复杂的食品欺诈或认证挑战。鉴于可能用于食品欺诈的掺假物种类繁多，仅识别一种或几种特定标记物不足以进行全面的产品认证，除非对特定掺假物有明确的怀疑。因此，迫切需要非针对性的分析工具来补充或替代当前的针对性方法，用于食品认证。指纹技术，特别是光谱技术，可用于验证真实性并识别掺假事件。然而，传统的光谱技术通过扫描样品上的多个点来产生平均光谱，以便与机器学习模型相关联，有时可能会产生非代表性的平均值，从而导致预测不准确。相比之下，HSI为图像中的每个像素捕获光谱，独特地提供了有关分析物存在、其数量和空间位置的详细信息。这一能力使得HSI成为检测咖啡中掺假的极具潜力的技术。尽管使用红外光谱法、多光谱成像和质谱法成功检测咖啡中的掺假已有数次尝试，但HSI技术在这一领域的应用却鲜有关注。然而，科学家通过成功识别掺入了土壤、木棍、玉米粉和咖啡壳的烘焙研磨咖啡中的掺假混合物，证明了HSI的有效性，并且实现了超过0.90的R²值。这一成就突显了HSI作为实际方法区分咖啡产品中掺假物的强大潜力。

2.2 缺陷检查

       咖啡缺陷存在于从种子到杯子的整个咖啡制作过程中。图3展示了一些可能在咖啡制作过程中各个阶段出现的典型缺陷。在2.1节中，已经讨论了与咖啡成分分析和香气预测相关的咖啡中的杂质、掺假物以及与化学变化相关的风味缺失。目前，大多数基于HSI的咖啡研究集中在种植、加工和烘焙阶段，研究对象分别是咖啡叶、绿色咖啡豆和烘焙咖啡豆。

图3 从咖啡豆到咖啡课程出现的缺陷

2.2.1 种植和收获阶段

       咖啡叶锈病是种植阶段最严重的病害之一，影响咖啡生产。它由真菌Hemileia vastatrix引起。这种专性寄生菌会降低光合作用的活性，导致落叶甚至植株死亡，从而可能导致产量严重下降和巨大的经济损失。因此，早期诊断或及时检测咖啡锈病感染至关重要。

       表3包括两项基于高光谱成像技术的关于由H. vastatrix引起的咖啡叶锈病的研究。尽管研究人员在分组样本或管理数据集方面采用了不同的实验方法，但两项研究都成功地获得了令人满意的总体分类准确率。Soares等人从田间收集urediniospores来感染咖啡叶，在物候阶段，并将总样本分为接种和未接种两组，以比较接种后某些天的光谱特征，使用植被指数（VIs）。结果显示，支持向量机（SVM）在接种后30天最有效地区分了两组，总体准确率为85%。相比之下，人工神经网络（ANN）在同一天表现最佳，总体准确率为80%。Castro等人将咖啡叶的健康状况分为五个不同的类别，每个类别都与视觉外观或颜色相关。他们在预处理阶段使用主成分分析（PCA）来降低维度，SVM在所使用的分类器中表现出最高的分类准确率，为94.7%。这些研究为使用高光谱成像技术获得的光谱和空间信息对咖啡叶锈病的早期阶段进行监督提供了新的且相对全面的探索。

       正如图3所展示的，经过种植阶段后，合适的成熟咖啡果将被收获。在咖啡被制成豆子之前，它们实际上被外部的果皮和果肉所包裹，这些被称为咖啡樱桃。咖啡樱桃含有丰富的植物营养素，其中已鉴定出的含量超过两百种，包括咖啡因、绿原酸、生物碱、黄酮类化合物、阿魏酸等，这些成分在许多方面对人类健康都有益处。在加工过程中，咖啡樱桃的果皮和果肉被去除，留下绿色咖啡豆用于后续的烘焙。经过初步清洗后，湿法和干法是将成熟的咖啡樱桃转化为咖啡豆的两种主要加工方法。顾名思义，湿法加工使用水来清洗果实，随后的步骤包括去果皮、发酵、二次清洗、去壳和干燥，最后进行包装；干法首先进行自然干燥，然后依次进行清洗、去壳和挑选，最后进行包装。整个过程非常复杂，并且会产生大量的废弃物。此外，随着对独特和新鲜口味的追求趋势上升，尤其是在年轻人中，刺激了商家从不常见的基质中生产饮料的创新，其中一种就是咖啡樱桃。如今，咖啡樱桃茶（Cascara）和咖啡果酒是最受欢迎的由咖啡樱桃制成的饮料，甚至星巴克公司（https://www.starbucks.com/）几年前也推出了相关产品。

表3  Vi:植被指数;GNDVI:绿色归一化差异植被指数;NDVI:归一化差异植被指数;TGi:三角绿度指数;ANN:人工神经网络;SVM：支持向量机;DT:决策树;k-NN:k最近邻;CEM:约束能量最小化;BDM:波段依赖性最小化;MinV-BP:最小方差波段优先排序;MaxV-BP:最小方差波段优先排序;SF:顺序前向;SB:顺序后向;CTBS:约束目标波段选择;PCA:主成分分析;CNN:卷积神经网络;SNV:标准正态变量;PLSDA:偏最小二乘判别分析。