编辑推荐：
光谱技术与机器学习结合为咖啡质量评估提供新方案，系统综述了物理化学特性、风味成分及安全指标检测进展，指出矩阵干扰、小样本泛化不足、多光谱融合困难等挑战，未来需突破多模态数据融合与算法轻量化。
陆思恒|秦倩|余月|任忠阳|李占明
江苏科技大学粮食科学与技术学院，镇江212100，中国
摘要
光谱技术以其无损性、快速性和能够同时关联多个质量指标的特点，与在高维复杂数据分析中起核心作用的机器学习相结合，成为咖啡品质评估领域的重点研究方向。本文系统总结了光谱技术与机器学习结合在检测咖啡理化性质、风味化合物和安全指标方面的最新进展。同时，也指出了目前面临的研究挑战，如矩阵干扰、小样本模型泛化能力不足以及多光谱数据融合难题，以及工业应用中的瓶颈问题，包括样本矩阵的显著变化、数据集不足以及现有方法的适应性不强。未来，应重点在多模态数据融合、算法轻量化及标准化系统建立等方面取得突破，以推动咖啡产业的创新并为相关研究提供参考。
引言
咖啡是全球消费量最大的饮料之一，其品质直接决定了其核心价值。消费者需求逐渐转向关注风味复杂性、产地可追溯性和饮用安全性。此外，环境可持续性和公平贸易等附加属性也成为品牌竞争力的关键因素[1]。近年来，消费者对清洁标签、地理标志和感官个性化需求的增加进一步推动了咖啡产业向高质量转型[2]。
咖啡品质评估不仅需要严格监控霉菌毒素、农药残留和重金属等风险指标以确保饮用安全，还需要量化感官和理化属性[3][4]。尽管高效液相色谱（HPLC）和气相色谱-质谱（GC-MS）等传统理化分析方法能够满足咖啡品质评估的精度要求，但它们受到繁琐的样品预处理和高设备成本的限制[5][6]。感官评估依赖专业品鉴师的经验，具有高度主观性且难以标准化[7]。这些缺点使得传统技术无法满足咖啡产业对批量样品快速筛查和实时过程调控的实际需求，因此技术创新显得尤为重要[8]。
近红外光谱（NIRS）、拉曼光谱（Raman）和荧光光谱（FS）等光谱技术因具有无损性、快速性以及能够同时关联水分、咖啡因和风味前体等多重质量指标的优势，成为有效的咖啡品质评估方法[9][10]。这些技术通过将与咖啡化学成分相关的光谱信号转化为可测量的客观数据，克服了传统方法的局限性，成为该领域的热点研究方向。
机器学习在信息解读和建模中发挥着关键作用。它能够深入挖掘高维、冗余和非线性的复杂光谱数据，有效提取关键特征并建立光谱数据与咖啡品质指标之间的关联模型，从而解决了传统品质分析中主观性强、效率低和解释深度不足的问题。因此，这种集成方法已成为咖啡品质评估领域的重点研究方向。
机器学习不仅可以通过特征选择实现降维以解决高维冗余问题，还可以使用偏最小二乘回归（PLSR）等算法构建模型。非线性算法如随机森林（RF）和卷积神经网络（CNN）则更能准确拟合光谱数据与品质指标之间的复杂关系。总体而言，现代机器学习在处理非线性关系、提高建模精度和增强泛化能力方面表现出色[11]。将PLSR与NIRS结合使用可量化咖啡豆中的咖啡因含量，建立的模型还能可视化不同咖啡豆品种间的咖啡因含量差异[12]。类似地，高光谱成像（HSI）与PLSR模型的结合在预测咖啡豆中的芳香挥发性化合物方面也取得了良好效果[13]。
关于光谱技术与机器学习结合用于咖啡品质评估的研究呈现出逐步发展的趋势，从基础研究到复杂研究范式，从单维评估框架发展到多维评估框架。然而，当前研究仍面临一些共性问题，如矩阵干扰[14]、小样本量下模型泛化能力差[15]、不同光谱技术数据融合困难[16]，以及主观风味指标与光谱数据之间的关联较弱[17]。
一些研究系统总结了咖啡产地可追溯性的分析和非破坏性技术方法[18]，另有研究通过文献计量分析探讨了咖啡真伪识别的方法学趋势[19]。类似的研究还列举了光谱技术在咖啡分析中的基本应用案例[20][21]。但这些研究通常侧重于方法列举，缺乏对光谱技术与机器学习耦合机制的深入分析，未能提供系统的解决方案，且理论到实际应用的闭环不够完善。本文深入探讨了光谱技术与机器学习的耦合机制，构建了从挑战到突破的全链条覆盖体系，填补了咖啡检测技术深度结合、安全评估完整性以及算法轻量化等前沿技术应用方面的空白。
本文重点关注咖啡的品质控制要求，系统总结了光谱技术与机器学习在咖啡理化性质、风味化合物和安全指标三个关键方面的应用进展（图1），并指出了咖啡产业面临的主要挑战，如样本矩阵的显著变化、数据集规模不足以及现有方法在工业应用中的适应性不强。未来应致力于多模态数据融合、算法轻量化和标准化系统的建立，以促进咖啡产业的创新发展。
咖啡理化性质评估
咖啡品质评估涉及多个关键指标。其中，水分含量与咖啡储存稳定性和烘焙均匀性相关；酸度主要来源于绿原酸的分解产物，直接影响咖啡的清爽口感；咖啡因和吡啶甲胺等成分与消费者健康需求相关；烘焙程度的相关指标则反映了烘焙过程的合理性。
咖啡风味化合物分析
根据挥发性差异，咖啡中的风味化合物可分为两类：一类是挥发性风味化合物，如醛类、酯类、含硫化合物等，它们决定了咖啡的香气特征，赋予咖啡焦糖香和果香等丰富嗅觉体验；另一类是非挥发性风味前体化合物，如绿原酸、蔗糖和氨基酸等。
咖啡安全评估
赭曲霉毒素A（OTA）和黄曲霉毒素B1（AFB1）等霉菌毒素主要在绿咖啡豆储存过程中由于环境条件不当而产生，它们不仅具有明确的致癌性，还对人类健康构成长期威胁[89]。农药残留（如有机磷和拟除虫菊酯）主要来源于咖啡种植过程中的杀虫和杀菌措施，过量摄入会对人体造成伤害。
当前挑战
在咖啡品质检测领域，目前面临多重多维挑战，技术层面表现为光谱分辨率和算法泛化能力的双重瓶颈。现有光谱设备，尤其是微型设备，分辨率不足，难以有效区分结构相似的化合物，如绿原酸异构体和不同类型的霉菌毒素[102]。
作者贡献声明
陆思恒：撰写初稿、数据可视化、软件开发、方法论设计、数据整理、概念构建。秦倩：撰写初稿、软件开发、方法论设计、数据整理。余月：审稿与编辑、撰写初稿、指导工作、方法论设计、概念构建。任忠阳：审稿与编辑、软件开发、方法论设计。李占明：审稿与编辑、指导工作、方法论设计。
利益冲突声明
作者声明不存在可能影响本文研究的已知财务利益或个人关系。
致谢
本研究得到了江苏科技大学“人才启动项目（1182932009）”的支持。
