欢迎您访问《智慧农业（中英文）》官方网站！ English
智慧农业

智慧农业 >

2025 , Vol. 7 >Issue 4: 18 - 30

DOI: https://doi.org/10.12133/j.smartag.SA202505026

专题--农产品品质智能感知与分级

光声光谱技术在农林产品品质评估中的应用研究进展

  • 谢为俊 ,
  • 陈科颖 ,
  • 乔梦梦 ,
  • 吴斌 ,
  • 郭庆 ,
  • 赵茂程
展开
  • 南京林业大学 机械电子工程学院，江苏 南京 210037，中国
赵茂程，博士，教授，研究方向为农林产品加工检测与装备。E-mail：

谢为俊，博士，讲师，研究方向为农林智能装备研发。E-mail：

收稿日期: 2025-05-26

  网络出版日期: 2025-07-08

基金资助

国家自然科学基金项目(32402209)

农业生物育种国家科技重大专项(2023ZD0405605-01)

收起

Application of Photoacoustic Spectroscopy in Quality Assessment of Agricultural and Forestry Products

  • XIE Weijun ,
  • CHEN Keying ,
  • QIAO Mengmeng ,
  • WU Bin ,
  • GUO Qing ,
  • ZHAO Maocheng
Expand
  • College of Mechanical and Electronic Engineering, Nanjing Forestry University, Nanjing 210037, China
ZHAO Maocheng, E-mail:

XIE Weijun, E-mail:

Received date: 2025-05-26

  Online published: 2025-07-08

Supported by

National Natural Science Foundation of China(32402209)

Biological Breeding-National Science and Technology Major Project(2023ZD0405605-01)

Copyright

copyright©2025 by the authors
Fold

摘要

【目的/意义】 农林产品品质评估是保障食品安全和提高产品竞争力的核心环节，传统检测方法存在破坏样本、设备昂贵、适应性差等缺陷。近年来，光声光谱技术凭借非接触、高灵敏、多形态适应等特性，逐步应用于农林产品品质评估中，为突破农林产品内外品质同步检测提供新的解决方案。 【进展】 本文综述了光声光谱技术最新进展并探讨未来方向，旨在为相关领域研究者构建系统化的技术发展框架。目前，在硬件创新上，量子级联激光器与共振式光声池可显著提升光声光谱检测灵敏度。在方法应用方面，多频深度扫描技术实现了种子胚乳层与果蔬皮下组织的层析分析，提高了光声光谱对农林产品深度辨析的能力。在实际应用中，光声光谱技术已成功用于种子品质评估、果蔬品质检测、粮油成分分析和食品真实性与安全检测。 【结论/展望】 光声光谱技术在实际产业应用中仍面临样品异质性干扰、环境噪声抑制、多组分谱峰重叠、设备微型化等挑战。未来研究需着力开发融合多种感知技术的多模态传感系统以获取多维度信息；研制芯片化光声探测器，实现系统微型化与硬件成本降低；并构建基于迁移学习的小样本自适应模型，利用注意力机制解析多组分谱峰重叠问题，从而提升在果蔬谷物等复杂基质上的泛化检测能力。随着硬件成本下降和深度学习技术发展，光声光谱技术有望构建覆盖“田间采收-加工仓储-市场流通”的全链条检测方案，推动农林产品质量管控向智能化、标准化迈进，为产业升级提供关键技术支撑。

关键词： 光声光谱; 光学传感; 农林产品品质; 无损检测; 种子品质; 果蔬品质; 粮油成分

本文引用格式

谢为俊 , 陈科颖 , 乔梦梦 , 吴斌 , 郭庆 , 赵茂程 . 光声光谱技术在农林产品品质评估中的应用研究进展[J]. 智慧农业, 2025 , 7(4) : 18 -30 . DOI: 10.12133/j.smartag.SA202505026

Abstract

[Significance] The quality assessment of agricultural and forestry products is a core process in ensuring food safety and enhancing product competitiveness. Traditional detection methods suffer from drawbacks such as sample destruction, expensive equipment, and poor adaptability. As an innovative analytical technique combining optical and acoustic detection principles, photoacoustic spectroscopy technology (PAS) overcomes the limitations of conventional detection techniques that rely on transmitted or reflected optical signals through its unique light-thermal-acoustic energy conversion mechanism. With its non-contact, high-sensitivity, and multi-form adaptability characteristics, PAS has been increasingly applied in the quality assessment of agricultural and forestry products in recent years, providing a new solution for the simultaneous detection of internal and external quality in these products. [Progress] In the specific applications of agricultural and forestry product testing, PAS has demonstrated practical value in multiple aspects. In seed testing, researchers have established quantitative relationship models between photoacoustic signals and seed viability also achieved dynamic assessment of seed health by monitoring respiratory metabolic gases (e.g., CO2 and ethylene). In fruit and vegetable quality analysis, PAS can capture characteristic substance changes during ripening. In the quality control of grain and oil products, Fourier-transform infrared PAS technology has been successfully applied to the rapid detection of protein content in wheat flour and aflatoxin in corn. In food safety monitoring, PAS has achieved breakthrough progress in heavy metal residue detection, pesticide residue analysis, and food authenticity identification. [Conclusions and Prospects] Despite its evident advantages, PAS technology still faces multiple challenges in practical implementation. ​Technically​​, the complex matrix of agricultural and forestry products causes non-uniform generation and propagation of photoacoustic signals, complicating data analysis. And environmental noise interference (e.g., mechanical vibrations, temperature fluctuations) compromises detection stability, while spectral peak overlap in multi-component systems limits quantitative analysis accuracy. ​​Equipment-wise​​, current PAS systems remain bulky and costly, primarily due to reliance on imported core components like high-power lasers and precision lock-in amplifiers, severely hindering widespread adoption. Moreover, the absence of standardized photoacoustic databases and universal analytical models restricts the technology's adaptability across diverse agricultural products. Looking forward, PAS development may focus on these key directions.​Firstly, multi-technology integration by combining with Raman spectroscopy, near-infrared spectroscopy, and other sensing methods to construct multidimensional data spaces for enhanced detection specificity. Moreover, ​​miniaturization​​ through developing chip-based detectors via micro-electromechanical technology, replacing conventional solid-state lasers with vertical-cavity surface-emitting lasers (VCSELs), and adopting 3D printing for integrated photoacoustic cell fabrication to significantly reduce system size and cost. Furthermore, intelligent algorithm innovation with incorporating advanced deep learning models like attention mechanisms and transfer learning to improve interpretation of complex photoacoustic spectra. As these technical bottlenecks are progressively overcome, PAS is poised to establish a quality monitoring network spanning the entire "field-to-market" chain—from ​​harvesting​​ to ​​processing/storage​​ to ​​distribution​​—thereby transforming agricultural quality control from traditional sampling-based methods to ​​intelligent, standardized, full-process monitoring​​. This will provide technical support for ​​food safety assurance​​ and ​​agricultural industry advancement​​.

Key words： photoacoustic spectroscopy; optical sensing; quality of agricultural and forestry products; non-destructive detection; seed quality; fruit and vegetable quality; grain and oil composition

0 引 言

农林产品品质检测是保障食品安全、推动产业升级、提高农林产品市场竞争力和维护市场秩序的核心环节，其重要性在全球化和消费升级背景下愈发凸显［1］。作为人类生存的基础物资，农林产品直接关系公共健康，农药残留、重金属污染和病原微生物等问题易引发安全危机［2］。同时，检测体系是维护市场公平的基石，通过打击掺假造假保护消费者权益，避免“劣币驱逐良币”破坏行业信誉，农林产品通过品质检测后分级销售可提高产品市场竞争力，助力农户增收［3］。此外，检测数据还能引导产业绿色转型，减少农业面源污染，助力“双碳”目标实现。
然而，农林产品品质检测面临多重现实挑战，传统检测方法难以满足高效、精准、无损的需求，复杂成分分析依赖高分辨率质谱仪等昂贵设备。近年来，在传感器技术、人工智能算法及精密仪器研发的协同驱动下，非破坏性品质检测技术迎来突破性发展。通过先进成像、内部感知等技术手段，在农产品无损状态下实时采集多维物理化学特征数据，并借助机器学习、深度学习等算法构建特征参数与检测指标间的智能预测模型［4］，可以快速获取质量信息，而不会对测试对象造成任何损坏。这项技术不仅避免了传统穿刺取样造成的样品损耗，更能实现生产线上每小时数万件产品的连续化快速检测，为农林产品品质检测、分级销售提供数据支撑，推动品质控制从“抽样推断”向“全量感知”的跨越升级。
目前，随着机器学习、深度学习技术的飞速发展，使得大规模农林产品品质数据分析成为可能。在此背景下，可见光成像、近红外光谱、高光谱成像、核磁共振成像、太赫兹成像、声振信号、电子鼻等先进的信息感知技术开始应用于农林产品品质的无损检测中。可见光成像技术［5］主要利用农林产品对可见光的反射特性，然后通过电荷耦合器件（Charge-Coupled Device, CCD）或互补金属氧化物半导体（Complementary Metal Oxide Semiconductor, CMOS）传感器捕捉物体表面的颜色、纹理、形状等表观特征进而建立外观品质评估模型。近红外光谱技术［6］是基于有机物中C-H、O-H、N-H等化学键在近红外波段的倍频与合频吸收特性，通过漫反射或透射光谱建立与水分、糖度、蛋白质等成分的定量关系模型。高光谱成像技术［7］​则是结合光谱与空间信息，在连续窄波段上获取农林产品的“图谱合一”数据，每个像素点包含完整光谱曲线，实现产品化学成分空间分布的可视化。核磁共振成像技术［8］利用氢质子在外加磁场中的弛豫特性，通过射频脉冲激发并接收信号，重建样品内部水分分布及组织结构三维图像。太赫兹成像技术［9, 10］则是基于太赫兹波对非极性材料的穿透能力及对极性分子的强吸收特性，通过时域光谱分析样品介电特性变化。声振信号技术［11］是通过敲击或声波激发样品振动，采集其共振频率、衰减时间等声学特征，结合弹性模量计算判断农林产品内部品质。电子鼻技术［12］​由多个气体传感器（如金属氧化物、导电聚合物）组成阵列，通过吸附挥发性有机物引发电导率变化，结合主成分分析或人工神经网络识别气味指纹。尽管这些传统方法可提供高精度的实验室级结果，但对于带有外壳阻挡的农林产品（如坚果类、柑橘类、百香果等），传统信息采集方式难以全面获取其内外信息，如图1所示。因此，开发简单、经济、实用、适应性广泛的检测技术已成为农林产品质量评估领域的重点。为了应对农林产品品质评估中的挑战，光声光谱技术［13, 14］已成为一种实用且有效的方法，在表征农林产品的本体与挥发性气体方面发挥着关键作用，测量结果在农产品质量评估中显示出显著的优势。
图1 农林产品不同品质检测方式对比

Fig. 1 Comparison of different quality evaluation methods for agroforestry products

光声光谱技术（Photoacoustic Spectroscopy, PAS）的提出可追溯至1880年，Bell在实验中发现固体材料吸收调制光后产生声波的现象，即“光声效应”，由此奠定了该技术的物理基础［15, 16］。然而，受限于早期光源强度弱、声学检测精度低等因素，该技术长期停留在实验室研究阶段。直至20世纪60年代，激光器的发明为PAS注入新生机，高单色性、强功率的激光显著增强了光声信号强度，使得痕量物质检测成为可能。1973年，Rosencwaig和Gersho提出了凝聚态物质中的光声效应理论模型（R-G模型）［17］，首次从热弹性力学角度定量描述光声信号的产生机制，为PAS的定量分析奠定了数学基础，推动其从现象观察走向实际应用。20世纪80年代，随着锁相放大技术、高灵敏度压电传感器的发展，PAS进入快速发展期，在气体检测领域率先突破，1981年美国航空航天局（National Aeronautics and Space Administration, NASA）将其用于大气中臭氧浓度监测，检测灵敏度较传统红外光谱提升两个数量级［18］。PAS是基于光声理论和现代热量转换的一种光谱技术［19, 20］，具有超灵敏性，可避免组织散射特性和样品外形对测量结果的影响，适用于不透光、高散射、多形态（固、液、气等）样品。近年来，PAS开始向农林领域渗透，在农林产品检测中，PAS可以同时获取农林产品的固体和挥发性气体光声信号，为农林产品品质无损检测提供了兼具高灵敏度、强抗干扰性的创新解决方案。
PAS是农林产品品质检测领域新兴技术，本文旨在综述其在农林产品品质无损检测中的应用，在此基础上总结PAS在品质无损检测中面临的挑战，并为其未来发展的潜在方向提供见解。本文所用文献收集自中文知识库（知网、维普）和外文文献库（Web of Science, Science Direct, Wiley, Springer Link, EI Village和IEEE Xplore等），文献时间截至2025年5月；文献检索关键词包括光声光谱、Photoacoustic Spectroscopy、PAS等，在此基础上又进一步筛选出与农业、林业、农林产品、食品等相关的文献。

1 光声光谱技术

PAS是一种基于光热转换机理的高灵敏度分析手段，测量光与物质相互作用释放的声波，通过探测光致声波信号实现物质成分的精准检测，突破了传统光学技术依赖透射或反射光强衰减测量的局限性［21］。当选定的激励光源经过调制之后与待测的样品分子之间相互作用，目标分子吸收光子能量后通过非辐射弛豫将光能转化为热能，引发局部热弹性膨胀并产生与光强调制频率同步的声压波动，产生相应的声波信号。该声波信号由高灵敏度传感器捕获后，经锁相放大技术提取特征频率分量，最终通过R-G模型反演出物质浓度及吸收特性，在这个过程中伴有热能到声能的转换，所以PAS又可以看作是一种光热技术。

1.1　光声效应原理

光声效应是指吸收媒质因电磁能量吸收而加热膨胀，进而产生声波的现象。当用一束激光照射样品时，样品内部就会吸收光能产生热量，导致局部升温，由于热胀冷缩原理，引起样品热膨胀产生压力波。压力波以超声波形式从组织内部传到组织外部，接收探测这种超声信号就可以获得样品的光声信号［22］，如图2所示。
图2 光声信号产生的过程［22］

Fig. 2 Generation process of photoacoustic signal

当生物组织受到调制光的照射时，根据光的波长，光会穿透到组织一定深度，在组织内部，这些光子被组织散射和吸收，吸收的光能引起局部瞬态温度升高，从而通过热弹性膨胀产生压力［23］。在热激发过程中，具有任意激发源的吸收目标的光声方程定义为公式（1）。
∇ 2 p r , t - 1 c 2 ∂ 2 ∂ t 2 p r , t = - β C p ∂ τ ∂ t H r , t
式中：c为声速，m/s；β为体积膨胀的热弹性系数； p ( r , t )为某一时刻的光声压力，Pa； C p为特定压力下的比热容，kJ/（kg·oC）； H ( r , t )表示电磁波每单位时间和体积产生的热能，kJ。在这个方程中，光声压力传播由加热函数的一阶导数驱动，由初始压力p 0分布转化为传播的声波。假设超声波在一维平面和均匀介质中传播，初始光声压力p 0取决于组织的热力学性质和光学参数，可以描述为公式（2）。
p 0 r = β c 2 C p H r = Γ μ a F 0 e - 3 μ a μ a + μ s
式中： Γ为Grüneisen系数； μ a表示组织的光学吸收系数，m-1； μ s表示组织的光学散射系数，m-1；F 0为深度为0处的光通量，lm。由此可知，光声信号仅与组织的光学吸收系数和散射系数有关，因为其他参数在同一组织中是恒定的。由于组织散射系数通常比光通过生物组织传播过程中的吸收系数大一个数量级，因此激光的穿透深度和成像深度主要受光散射的限制［24］。

1.2　光声光谱系统组成

光声光谱系统（图3）通常由光源、斩波器、单色仪、光声池、微音器、锁相放大器、控制器等硬件组成［25］。其中光源主要提供特定波长的调制光，激励样品组织吸收并发热；斩波器将连续光转换为周期性脉冲光，使样品产生周期性振动；单色仪可选择提高波长的选择性，获得特定波长的窄带光；光声池为PAS系统核心部件，用于容纳待测样品，并放大光声信号，其形状、结构、材料直接影响光声信号的采集，一般分为球形、长方形和圆柱形；微音器将样品吸收光能后产生的声压信号转换为电信号；锁相放大器通过频率锁定技术（参考调制频率），从噪声背景中提取微弱光声信号；控制器是确保各组件协同工作的核心单元，实现光源调制与波长控制、协调光源、探测器及数据采集的时序，确保信号相位一致等。PAS系统具体工作流程为：首先使用惰性气体吹扫系统，光源发射一束激光，激光经过斩波器后形成具有周期性变化的光束。经过调制后的光束进入光声池中，样品及其挥发气体受到周期性光束的照射，吸能后将其转化为内能，引起样品和气体的周期性加热，发生周期性膨胀，进而产生光声信号。微音器收到光声信号后将其转换为电信号输送到锁相放大器中进行增强，最后将信号数字化后送入计算机中，保存并进行后续处理。
图3 光声光谱系统

Fig. 3 Photoacoustic spectroscopy system

现有PAS系统以​​可调谐激光光源（量子级联激光器为核心）、共振/非共振式光声腔体、高灵敏声学传感器（麦克风/压电探头）为三大核心模块，通过量子级联激光器显著提升中红外检测灵敏度，利用共振腔强化微弱信号，但系统整体仍受限于实验室级高成本、环境噪声干扰和复杂基质中多组分谱峰重叠​​的挑战。

1.3　光声光谱技术特点

1.3.1　非接触与非破坏

PAS通过激光远程激发样品，无需物理接触或侵入式采样即可完成检测。农林产品无损检测要求在不损伤产品的情况下完成非接触、非破坏性的检测，其对农林产品品质提升与分级销售意义重大。调制的激光束穿透样品表面后，被目标物质选择性吸收并转化为热能，热弹性膨胀产生的声波由外部传感器接收。这一过程避免了传统化学分析中常见的样品预处理（如研磨、溶解）或电极接触引入的污染风险，适用于​​生物活体组织​​［26］和​​高价值材料​​［27］等敏感场景。

1.3.2　高灵敏度与高分辨率

PAS的灵敏度源自其对光能吸收的直接放大效应，光声信号强度与吸收系数呈线性关系，且通过锁相放大技术可有效抑制背景噪声。在气体检测中，采用量子级联激光器的中红外光声系统对甲烷的检测限可达0.1 ppb（十亿分之一），较传统傅里叶红外光谱提升两个数量级［28］。在液体检测领域，结合共振式光声池设计，水中重金属离子（如Hg2+）的检测限低至0.05 μg/L［29］。此外，窄线宽可调谐激光器赋予其高光谱分辨率，可区分复杂混合物中相邻吸收峰值仅差0.1 nm的化学物种，例如在石化工业中精准识别苯、甲苯、二甲苯异构体［30］。农林产品与食品安全密切相关，而农林产品在种植生产中会受到微量农药残留、痕量重金属的影响，因此检测技术的高灵敏度与高分辨率对保障食品安全具有重要意义。

1.3.3　适用多形态样本

PAS可适用于不同物态样品（气体、液体、固体、粉末等），且样品无需特殊处理。农林产品及其加工产品形态各异（液体、固体、粉末等），此外农林产品挥发性气体也间接反映其品质，因此适合多种形态样品的检测技术可以获取农林产品多维信息，更准确地表征农林产品品质。PAS​​对于痕量气体的检测采用封闭式光声池与电容麦克风，结合气体循环系统实现动态检测，如呼吸中的人类生物标志物（环氧乙烷、一氧化二氮、氨，及七氟烷、异氟烷、甲烷、乙烷和异丙酚等）［31］。对于液体的检测，使用石英窗透射池与压电陶瓷传感器，只需少量样品即可实现对液体的流速和黏度进行测量［32］。对于固体与粉末的检测，可设计开放式光声腔体，结合脉冲激光激发表面声波，可测量镁掺杂氧化锌薄膜材料在可见光波段的光吸收特性［33］。

1.3.4　具有深度分辨能力

PAS的穿透深度可通过调制频率灵活调控，其物理基础为热扩散长度公式。光声光谱仪的扫描深度为公式（3）所示。
μ = D π f
式中：μ为光声光谱仪扫描深度；D为热扩散系数；f为调制频率。由此可知高频光强调制下热扩散长度缩短至微米级，适用于表面缺陷检测，低频调制则使热扩散长度延伸至厘米级，可穿透生物组织［34］。农林产品因其生长特性，多数拥有外壳、果皮的保护，影响传统无损检测技术获取其内部信息，而PAS可通过调制频率灵活调控在农林产品内部的穿透深度，获取不同深度信息。

2 光声光谱在农林产品检测中的应用

2.1　种子品质评估

种子活力［35］是种子品质检测中的最重要参数，种子活力的快速无损检测可用于优质种子筛选，对精准播种和种质创新具有重要现实意义。利用PAS对种子活性进行检测的方案主要有两类，一种方案是利用种子本体PAS信号结合机器学习方法对种子活性进行无损检测，检测系统如图4a所示。卢伟团队［36, 37］基于PAS对6种不同品种的稻种活力进行了无损检测并结合迁移学习技术对新品种稻种活力进行检测，结果表明，PAS最佳扫描频率为300 Hz，卷积神经网络预测模型精度较高，相关系数和均方根误差分别不低于0.990 9、不高于0.967 5，且经过迁移学习，仅需通过对源域数据训练，即可直接对新品种稻种的活力进行精确预测。此外，该团队［38］还采用PAS深度扫描技术提高玉米种子发芽率的检测精度，结果表明PAS最佳扫描频率为500 Hz，支持向量回归的预测模型精度最高，相关系数均超过0.980。另一种方案则是研究种子呼吸过程中气体成分含量变化与种子品质之间的关系，检测系统如图4b所示。郭振宇等［39］设计了一款基于差分亥姆霍兹光声池的CO2光声传感系统，并通过测量不同种子活力的南粳水稻种子的CO2产生速率，发现南粳水稻种子呼吸速率与种子活力成正比，二者的相关度达到0.979。Popa与Petrus［40］利用CO2激光光声光谱法对谷物种子（小麦、玉米等）萌发过程中的呼吸气体成分（乙烯、氨）进行分析，获得受重金属污染的种子在萌发过程中乙烯、氨的含量与正常种子存在明显差异，据此可对种子进行重金属污染的种子活性检测。
图4 种子活性检测光声光谱系统［36， 39］

a. 稻种活力检测光声光谱系统 b. 稻种CO2光声传感系统

Fig. 4 Photoacoustic spectroscopy system for seeds vigor detection

PAS通过检测种子的光学吸收特性，在种子活力评估和生物刺激效应研究中展现出潜力，但仍面临多重技术瓶颈。首先，种子的异质性导致光谱信号稳定性差，如玉米种子的胚乳类型（粉质/角质）会显著影响激光穿透深度，小麦种子的表面纹理差异导致光散射效应难以标准化等。其次，现有模型对种子生理状态的解释力不足，种子经染料处理后吸收系数变化与发芽率提升存在相关性，但光声信号与具体生物分子（如叶绿素、类胡萝卜素）的定量关系仍需验证。此外，种子检测的预处理流程复杂，不同生产周期的玉米种子需特定调制频率才能获得可靠数据，限制了在线检测效率。

2.2　果蔬品质检测

水果和蔬菜的无损质量评估在各个领域都至关重要，包括农业、食品加工、农民声誉和消费者满意度［41］。PAS具有超灵敏性，可避免组织散射特性和样品外形对测量结果的影响，正逐步应用于果蔬品质检测。早在上世纪，Bergevin等［42］就利用PAS获取不同成熟阶段的草莓光声信号，结果表明光声光谱学在使用花青素和蛋白质波段的光谱比来评估草莓成熟阶段的潜力，与蛋白质有关的主要特征条带位于278 nm处，与花青素相关的主要特征条带位于510 nm附近，证实PAS是一种无损检测技术，可以扩展到其他园艺作物。Popa等［43］指出有机水果与非有机水果（树莓、草莓）储存环境中的乙烯浓度与其PAS间存在相关性，在此基础上发现非有机水果储存环境中含有更高浓度的乙烯气体，进而得出非有机水果更容易成熟。此外，PAS结合相位分辨技术还被用于分析光敏色素的存在和对金冠苹果果皮光声信号的影响，以及光声信号随苹果成熟时间的变化，结果表明随着成熟时间的延长，光声信号的振幅及其孤立的贡献显著降低，因此PAS可以作为苹果成熟度检测的潜在技术［44］。PAS也被用来研究一些热带水果和蔬菜中类胡萝卜素和类黄酮功能分子的识别［45］，与此同时PAS结合电子跃迁的时间依赖性密度泛函理论能够构建热带新鲜水果紫外-可见光谱（图5），用于鉴定水果中的酚酸类化合物［46］。PAS被用来表征辣椒不同成熟阶段的光学特性，以此来监测辣椒在成熟与脱水过程中的代谢变化，结果表明辣椒在成熟与脱水过程中会产生新的类胡萝卜素化合物［47, 48］。
图5 热带水果（巴西坚果、巴西莓、木瓜、柿子）的光声光谱［46］

Fig. 5 Photoacoustic spectrum of the fresh fruit （Brazil nuts， acai berries， papaya， persimmons）

上述研究表明，PAS作为一种结合光学吸收与声学检测的创新分析手段，凭借其非破坏性、高灵敏度和深层组织穿透能力，在果蔬品质检测、营养成分分析、有机化合物分子表征等存在潜在应用价值。该技术通过脉冲激光激发样品产生光声信号，再经由高精度传感器捕获声波特征，能够解析果蔬内部化学成分、生理状态及结构变化，为精准农业和食品安全监测提供了新思路。然而，尽管其理论优势显著，PAS从实验室研究走向实际应用仍面临诸多技术瓶颈与产业化障碍，需要从硬件研发、数据处理、场景适配等多维度突破，才能充分释放其在现代农业中的潜力。从技术原理来看，PAS的检测效能高度依赖于光-声信号的耦合效率。果蔬作为典型的生物组织样本，内部的多孔结构和液泡分布仍会引发声波信号的弥散效应，降低信噪比，果蔬内部复杂的光学散射特性与声学衰减效应成为首要挑战。此外，不同品种、成熟度或产地的果蔬样品往往存在显著的光声特性差异，这对建立普适性定量模型提出了更高要求。对于系统硬件，成本与性能矛盾则是另一大现实制约。PAS装置的核心组件，如高能量脉冲激光器与锁相放大器仍依赖进口，设备成本高，难以满足田间或生产线所需的便携化、低成本需求。与此同时，声学传感器的灵敏度与抗干扰能力直接影响检测下限。在数据分析与标准化层面，传统化学计量学方法在处理高维度、非线性光声数据时存在局限性，尤其是当样品表面存在损伤或污染时，光谱特征易出现异常偏移，导致模型泛化能力下降。此外，深度学习虽能通过卷积神经网络自动提取隐含特征，但对训练数据量和质量要求极高。

2.3　粮油品质分析

PAS作为一种结合光学吸收与声学检测的无损分析手段，近年来在粮油品质分析上展现出应用潜力。通过检测样品吸收调制光后产生的热弹性波，能够直接反映物质的光学吸收特性，尤其适用于非均质、高散射性的生物样本。随着仪器精度的提升和模型算法的优化，PAS已从单一的光谱检测发展为涵盖成分定量分析、品质评估、品种鉴别等综合分析工具，并逐步推动农业检测技术向快速化、智能化的方向发展［49, 50］。PAS在粮油品质分析领域的研究统计如表1所示。
表1 光声光谱技术在粮油品质分析领域的应用

Table 1 Applications of photoacoustic spectroscopy in grain and oil quality analysis

技术方法​ ​​应用领域​ 研究对象​ 检测目标形态​ 数据处理方法​ 核心目标​ 波长范围 功率 ​​光调制频率​ ​​特征波长范围​
光声光谱［49］ 谷物质量评估 玉米 固态 感官评价相关性分析 关联光吸收特性与消费者感知颜色 350~700 nm —— 17 Hz 350~670 nm
紫外-可见光声光谱［50］ 谷物成分分析 红高粱 粉末 F检验、t检验 替代传统化学法测定酚类化合物 200~800 nm —— 18 Hz

285 nm

335 nm

傅里叶变换红外光声光谱［51］ 谷物黄曲霉素检测 玉米 固态 专家系统 玉米黄曲霉侵染检测 4 000~600 cm-1 140 W ——

3 400~3 360 cm-1

2 853~2 923 cm-1

3 200~2 200 cm-1

傅里叶变换红外光声光谱［52］ 谷物营养成分分析 小麦 粉末 主成分分析、多变量校准模型 测定小麦粉中的总蛋白和湿面筋 4 000~500 cm-1 —— ——

4 000~2 300 cm-1

2 300~1 600 cm-1

1 600~400 cm-1

光声光谱［53］ 谷物光学系数测定 玉米 固体 波长和谷物状态、厚度和光学不透明数据分析 确定玉米种的光吸收系数 320~700 nm —— —— 633 nm
光声光谱［54］ 谷物病原体检测 小麦 固态 特征峰识别 快速诊断小麦携带的病原菌污染 200~800 nm —— 18 Hz 285和335 nm
紫外-可见光声光谱［55］ 谷物质量评估 玉米 固态 主成分分析 区分不同产地玉米的营养品质差异 270~500 nm —— 17 Hz 325~395 nm
光声光谱［56］ 谷物质量评估 玉米 固态 方差分析 谷物反射率测量、物理特性和养分含量 270~500 nm —— ——

290 nm

350 nm

光声光谱［57］ 谷物质量评估 豆类 固态 相关性分析 优化激光参数以提升谷物储藏性能 270~500 nm —— 17 Hz 470 nm
光声光谱［58］ 谷物评估 玉米 固态 非辐射弛豫模型 研究种子色素分子能量衰减过程 350、470和650 nm 700 W ​​17~50 Hz​ 350 nm
光声光谱［59］ 谷物质量检测 大麦 固态 光学吸收系数分析 + 方差分析 评估激光处理对谷物微生物的抑制作用 650 nm 27.4 mW ​​17 Hz​ 650 nm
光声光谱［60］ 谷物分类 玉米 固态 标准差分析、一阶导数处理 提高颜色差异玉米的检测灵敏度 325~800 nm —— 17 Hz 325~670 nm

多频光声

光谱［61］

 种子深度剖面分析 玉米 固态 频率扫描热扩散模型 无损获取玉米内部结构信息 330~800 nm —— 17~50 Hz 350~800 nm
光声光谱［62］ 谷物健康监测 玉米 固态 方差分析 分析激光处理对色素合成的生物刺激效应 400~500 nm 27.4 mW 17 Hz 471~478 nm
光声光谱［63］ 谷物健康管理 大麦 固态 微生物计数统计分析 验证激光处理对种子真菌污染的抑制作用 650 nm 27.4 mW —— 650 nm
光声光谱［64］ 谷物生物物理学 玉米 固态 温度-时间曲线分析 研究激光辐照对玉米种子表面温度的影响 650 nm 27.4 mW —— 650 nm
光声显微镜［65］ 谷物老化评估 小麦/玉米种子 固态 热成像分析 评估谷物老化对内部结构的影响 330~800 nm —— 1 Hz ——

光热电显

微镜［66］

 谷物检测 玉米 固态 直方图核密度估计 区分种子晶体与粉质结构 ​​650 nm 100 mW ​​1 Hz​ ——
光声显微镜［67］ 谷物结构分析 玉米 固态 数据密度分布分析 优化热成像分辨率与深度敏感性 ​​405、532和650 nm 5 mW ​​17 Hz​ 405 nm
光声光谱［68］ 油品质量检测 柯拜巴油 液态 光谱特征峰与浓度关联分析 分析油品在不同稀释条件下的光学特性 ​0.18~4.00 μm 700 W —— 0.23 和2.72 μm
傅里叶变换红外光声光谱［69］ 营养成分分析 油菜籽 固态 独立成分分析+偏最小二乘 快速无损测定氮含量 ​​4 000~500 cm⁻¹​ —— —— 1 747、2 858和2 927 cm-1​
光声光谱［70］ 油品质量检测 大豆油 液态 主成分分析、Stacking集成模型 快速无损识别油品变质程度 ​​0.18~4.00 μm 700 W —— 0.23 和1.40 μm

注：——表示无数据。

在谷物成分分析方面，PAS通过捕捉特定波长下的吸收峰，实现了对蛋白质、酚类化合物及功能性色素的高灵敏度检测。紫外-可见PAS可直接测定了红高粱粉中总酚含量，其检测结果与传统化学测量方法无显著差异，且避免了繁琐的化学前处理过程［50］。类似地，通过傅里叶变换红外PAS结合化学计量学可建立小麦粉中总蛋白与湿面筋的快速预测模型，预测误差分别低至0.362%和0.229%，验证了该技术在复杂基质中的定量能力［51］。此外，有学者通过分析玉米种子中类胡萝卜素（如β-胡萝卜素和叶黄素）的光声信号变化，揭示了激光刺激对谷物色素代谢的调控作用，为作物营养强化提供了新思路［52, 53］。
在谷物病害与病原体检测领域，PAS凭借其非接触式和高通量特性，成为病害筛查的有效手段。Gupta等［54］利用PAS对小麦种子携带的印度腥黑穗病菌孢子进行检测，发现其光谱在290和410 nm处呈现特征吸收峰，显著区别于其他病原体。类似地，Gordon等［51］通过傅里叶变换红外PAS识别出玉米中黄曲霉感染的特异性光谱标记（如酰胺Ⅱ带和羰基吸收峰），为毒素污染的快速筛查提供了依据。此外，Molina等［55］结合光声显微镜（Photoacoustic Microscopy, PAM）对小麦种子进行亚表面成像，发现老化种子因细胞结构退化导致热扩散系数降低，为种子活力评估提供了物理指标。这些研究不仅拓展了PAS在谷物病菌诊断中的应用，还揭示了光谱特征与病原体生物分子之间的直接关联。
在品种鉴别与品质分级方面，PAS通过解析谷物光学吸收的空间异质性［56］，实现了对遗传特性与加工适应性的精准评价。研究人员对比了不同玉米品种（如白粒、黄粒、蓝粒）的光吸收系数（β），发现蓝玉米因富含花青素在335 nm处具有显著吸收峰，而白玉米的β值在紫外波段（<400 nm）更高［57, 58］。Pérez Reyes等［59］进一步结合反射光谱验证了光声光谱数据，证实两者在表征谷物颜色属性上的互补性。此外，Rico Molina［60］和Hernández Aguilar［61］通过调制频率扫描技术获取玉米种子深度剖面信息，发现种子果皮层（pericarp）与胚乳层（endosperm）的吸收特性差异可归因于酚类物质和淀粉的分布梯度，为谷物加工工艺优化提供理论支持。在利用PAS对谷物光学特性检测原理方面，Hernández等［62-64］发现低强度激光辐照可改变谷物吸收中心的非辐射弛豫时间，进而调控光能向热能的转化效率。结果表明经650 nm激光处理的染黑小麦种子，其β值在600~700 nm波段显著升高，且激光辐照会引起谷物的局部温升（如染黑玉米种子表面升温达9.28 °C）与β值呈正相关，表明光热效应是PAS的关键机制。
尽管PAS在谷物分析中表现突出，其实际应用仍面临挑战［65, 66］。谷物表面的粗糙度与不均匀性可能引入光谱噪声，需通过数学预处理优化信号质量。谷物颗粒的致密结构、油脂的高光吸收系数，以及加工过程中形成的复杂混合物均可能干扰光声信号的产生与传播，这种非均匀响应使得建立普适性定量模型异常困难。此外，粮油产品中常见的关键品质参数（如脂肪酸值、过氧化值、黄曲霉毒素）的检测往往需要亚ppm级灵敏度，但现有光声系统的信噪比受限于环境中的机械振动噪声，难以满足需求。多组分体系的谱峰重叠问题需依赖化学计量学（如主成分回归、支持向量机）解析。另一方面，粮油品质分析的跨尺度特性（单粒谷物到散装粮堆）要求光声系统兼具微观分辨与宏观统计能力，但当前技术尚无法在单一平台上实现。

2.4　食品安全检测

PAS在食品安全检测领域的应用取得了显著进展，其核心优势在于能够直接分析复杂基质样品而无需繁琐的预处理，同时兼具高灵敏度和快速检测能力。光声效应通过将光能转化为热能并产生压力波，利用声学传感器捕捉信号，这一机制使其特别适用于不透明或高散射性食品检测。
Bicanic等［71］开发的PAS检测系统（图6）利用热传导与光学吸收协同作用的新型传感模块，直接测量固态热传导，有效规避了环境振动噪声，表现出更强的稳定性，成功用于番茄制品中番茄红素的定量分析，检测限低至2 mg/100 g，可用于评估番茄红素（抗氧化剂）在常用食品中的添加量。类似地，Döka等［72］通过PAS在545 nm波长下实现了辣椒粉中重金属（Pb3O4）的快速筛查，检测限达2% w/w，验证了该方法在检测辣椒粉中重金属红铅的实用性。此外，Liu等［73］将苹果PAS响应与其角质层中农药残留建立联系，通过选择苹果PAS的3个特征峰，利用人工神经网络构建了苹果角质层中农药残留定量分析模型，模型相关系数大于0.99。
图6 集成光热敏电阻的检测单元的光声光谱检测系统［71］

注：A.卤素灯； B.带通滤光片； C.凸透镜； D.光电二极管； E.光纤； F.集成光热敏电阻的检测单元； G.分光镜。

Fig. 6 Photoacoustic spectral detection system with unit accommodating optothermistor

上述研究表明PAS在食品安全检测领域展现出一定的应用潜力，但其在重金属、色素添加及农药残留等关键食品安全指标的实际检测中仍面临一些技术瓶颈与应用局限。食品基质中的其他金属离子（如铁、锌）或有机物可能竞争性结合络合剂，对检测产生干扰，导致假阳性或假阴性结果。人工合成色素与食品中天然色素的光吸收谱带常存在显著重叠，单一波长检测易导致误判，而多波长扫描虽可提高特异性，却会延长检测时间，削弱技术本身的快速分析优势。此外，农药残留检测，PAS面临的挑战集中在多组分识别与痕量检测能力上。农药种类繁多，其分子结构差异导致吸收光谱特征分散且部分重叠，常规光声光谱仪的分辨率难以实现准确区分。另一方面，农药残留的法定限值日趋严格，而PAS的检测灵敏度受限于激光功率与声波传感器的灵敏度，满足痕量农药残留检测需求可能会导致设备成本激增。

2.5　食品真实性鉴定

在香料和高端食材的掺假检测中，PAS展现了独特价值。Fiorani等［74］设计的量子级联激光光声系统可在两分钟内识别藏红花中2%质量比的掺假物质（如姜黄素和酒石黄），结合主成分分析和偏最小二乘判别分析模型，分类准确率达97%。Oliveira等［75］则将该技术扩展至蜂胶中酚类物质的定量，通过区间偏最小二乘回归构建模型，预测总酚含量的决定系数达0.959，显著简化了传统化学分析的繁琐流程，可高效识别掺假后的蜂胶。对于牛至叶掺入橄榄叶的检测，Sammarco等［76］对比了傅里叶近红外与PAS的性能，发现数据融合策略可提升模型鲁棒性，R 2达0.96，验证了多技术联用的潜力。在食品安全性评价方面，Hernández Aguilar等［77］通过光声信号强度变化（300~370 nm）关联辣木面包中类黄酮含量，发现2.5%辣木添加量可使真菌污染减少99%，同时延缓劣变。Dias等［78］将红外光声光谱与多变量校准结合，成功区分咖啡豆中6类缺陷（酸豆、黑豆等），检测灵敏度较传统感官评价提升两倍。Sharifi等［79, 80］开发的LED光源光声系统（图6）通过热扩散率与光吸收特性差异，实现牛奶中甲醛、尿素、过氧化氢等8种掺假物的鉴别，人工神经网络（Artificial Neural Network, ANN）模型分类准确率达97.6%，突破了传统色谱法在快速筛查中的瓶颈。Khosroshahi等［81］通过有限元模拟优化光声池设计，结合小波降噪和主成分分析，显著提升牛奶掺水检测的信噪比。此外，Xu等［82］系统综述了荧光、拉曼、近红外等多光谱技术与化学计量学的协同效应，指出PAS在乳制品掺假检测中具有抗散射干扰的优势。
食品真实性检测的核心在于区分高度相似的成分，如茶油中掺杂低成本的葵花籽油，或蜂蜜中掺入玉米糖浆，这些掺假行为往往通过调整比例使理化指标接近天然产品，而PAS在识别此类微量差异时易受基质效应干扰出现特征峰重叠问题，现有算法的分辨率难以满足精准判定需求。此外，食品加工过程中的热效应与化学变性可能改变目标物的光吸收特性，造成光声信号发生频移。噪声干扰时，环境振动会耦合进压电传感器，而温差引起的热弹性背景噪声可能掩盖目标光声波，现有噪声抑制算法在复杂工况下的鲁棒性不足。
光声光谱技术凭借非接触、高灵敏和多形态适应等核心优势，已成为推动农林产品品质检测革新的关键手段。其通过光源及探测部件升级显著提升灵敏度，并利用多频深度扫描实现种子胚乳与果蔬皮下的无损层析分析，成功应用于种子活力评估、果蔬品质分级、粮油成分定量及食品安全验证等场景。然而，其产业化仍面临样品异质性干扰、环境噪声抑制、多组分谱峰重叠及设备微型化等瓶颈。

3 挑战与展望

3.1　检测灵敏度与信号增强

光声光谱具有高灵敏度、痕量物质检测能力，但其受限于激光光源、斩波器、声波传感器、信号放大器等硬件设备，若要达到农林产品一些痕量目标物的检测要求ppb级（10-9）灵敏度，硬件成本会显著提高，限制其在实际应用范围。此外，农林产品的复杂基质特性（果蔬的高含水量、谷物的多层纤维结构）也会影响光声信号的产生、传输与采集。为了进一步提高PAS的信噪比和灵敏度，近年来开发了几种增强技术，例如石英增强PAS和悬臂增强PAS［83, 84］，本质上，两者都是使用机械谐振器来提高声学检测的灵敏度，当调制声波的频率与机械谐振器的固有频率相等时，PAS的输出信号幅值达到最大值，这些新型PAS将有望应用于农林产品品质检测中。此外，光声池形状及声学传感器布置数量、位置等对光声信号的增强效果也得到重视［85］，可针对不同样品形态、尺寸、形状，借助有限元仿真技术对光声池形状进行优化设计。

3.2　设备小型化与现场检测

现有光声光谱系统的体积与成本严重限制其在农林产地的现场应用。高精度系统通常包含激光器、压电陶瓷超声传感器、惰性气体存储罐、锁相放大器、计算机及冷却模块，整套设备体积大、成本高，难以在农林产品加工行业部署。同时，环境中的温度波动、机械振动及背景噪声会导致声波信号漂移，直接影响检测稳定性。未来微型化与抗干扰技术是突破方向，基于微机电系统的集成化探头可将核心部件缩小至芯片级［83］，其采用垂直腔面发射激光器替代传统固体激光器，其模块体积大幅减小，功耗大幅降低。此外，硅基电容式麦克风阵列通过多通道信号合成可使传感设备体积减小的同时提升信噪比。同时，3D打印技术也可用于生产光声池的微型化与一体化制造。
未来PAS检测系统可从以下四个方面进行低成本开发。一是光源低成本替代，针对具体样本确定其特征波长，然后用固定波长激光二极管代替传统固体激光器；二是斩波器开发，利用伺服电机结合控制算法实现可调频率斩波；三是控制系统低成本开发，使用树莓派、Arduino、STM32等结合开源软件开发系统控制算法；四是锁相放大器替代，使用锁相放大模块与开发板集成开发锁相放大模块，实现替代商业锁相放大器，降低系统成本。

3.3　光谱选择性与多组分解析

农林产品品质评估的复杂性在于其成分的多样性，目标分析物间的，以及其与天然组分间的光谱重叠问题严重制约检测精度。同时，农林产品的品质参数常随环境条件动态变化，而传统PAS的时间分辨率受限于声波传播速度与信号采集频率，难以捕捉其短时动态过程。未来可通过结合PAS与其他光谱技术（如拉曼光谱、近红外光谱），构建多维数据矩阵以提升组分区分能力。此外，时间分辨光声技术通过脉冲激光调制结合锁相放大，可分离不同弛豫时间的声波信号进而实现不同组分的精准识别［86］。传统机器学习方法在处理光声光谱数据时，需手动找到特征波段、特征锋等特征数据，因此有必要引入先进的深度学习算法帮助光谱特征的自动提取与建模，通过构建农林产品PAS数据库，可实现复杂光谱的自动解析与组分定量反演。

3.4　光声层析成像

使用宽场激光照射生物组织，通过环形或曲面超声阵列接收光声信号，可重建组织光吸收能量分布图，进而实现组织内部层析成像。光声层析成像结合了光学成像的高对比度与超声成像的高空间分辨率，能够实现深层生物组织的无创、高灵敏度成像［87］。目前光声层析成像主要用于生物医学成像研究，尚未有农林产品品质评估方面的研究。但是，农林产品在种植、收获、运输等过程中可能会产生内部病虫害、隐性损伤等品质问题，传统无损检测技术难以实现其内部层析成像。光声层析成像存在成为农林产品内部层析成像技术的潜力。目前大多数光声三维成像重建研究的重点是开发高质量的三维重建技术，而通过三维光声成像重建实时显示层析图像的能力尚未实现，这是未来光声层析成像的重点发展方向。
研究表明，PAS是一种“绿色技术”，无需样品特殊制备，可以最大限度地减少溶剂的使用。此外，PAS对样品的形态没有特殊要求，可以以固体、液体或粉末形式对其进行评估。目前的研究趋势是继续探索PAS在不同农林产品品质评估的应用，如种子品质评估、果蔬品质检测、粮油品质分析、食品真实性与安全检测等领域的应用。尽管PAS在农林产品评估、分析中表现出极大潜力，但其实际应用仍面临检测灵敏度与信号增强、设备小型化与现场检测、光谱选择性与多组分解析、光声层析成像等技术挑战。

4 结 论

PAS作为新兴的无损检测手段，在农林产品品质评估领域展现出独特优势。该技术通过光-声能量转换机制，突破传统光学检测对透射/反射信号的依赖，实现了对固态、液态、气态、粉末样品的非侵入式分析。大量研究表明，PAS在种子活力评估中可建立光声信号与种子活力的定量关联模型，在果蔬成熟度检测中能识别各营养成分的特征峰，在粮油成分分析中可实现谷物总酚及黄曲霉毒素侵染的高精度检测，在食品真实性筛查中可分辨食品中的掺假物质。然而，现有技术仍面临光-热-声多物理场耦合机制不明确、样品复杂基质干扰抑制不足、微型化设备开发滞后等瓶颈问题，特别是种子异质性引发的信号波动、粮油检测中热扩散长度控制偏差、食品掺假模型泛化误差等制约着产业化应用。未来研究应聚焦多模态传感融合、芯片化探测器开发、自适应深度学习算法等方向，同时加强相关数据集的构建与开放，推动PAS从实验室走向田间与生产线，为构建智慧农业提供新的感知手段。

本研究不存在研究者以及与公开研究成果有关的利益冲突。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
ABASI S, MINAEI S, JAMSHIDI B, et al. Dedicated non-destructive devices for food quality measurement: A review[J]. Trends in food science & technology, 2018, 78: 197-205.

[2]
WANG Y, FENG Y H, ZHANG B C, et al. Machine learning-supported sensor array for multiplexed foodborne pathogenic bacteria detection and identification[J]. Trends in food science & technology, 2024, 154: ID 104787.

[3]
XIE W J, WEI S, ZHENG Z H, et al. A CNN-based lightweight ensemble model for detecting defective carrots[J]. Biosystems engineering, 2021, 208: 287-299.

[4]
LI Y, GUO L Z, YANG H N, et al. Multiscale bioimpedance detection methods and modeling for dynamic non-destructive monitoring of agricultural product quality[J]. Trends in food science & technology, 2025, 157: ID 104888.

[5]
XIE W J, ZHAO M C, LIU Y, et al. Recent advances in transformer technology for agriculture: a comprehensive survey[J]. Engineering applications of artificial intelligence, 2024, 138: ID 109412.

[6]
ZAUKUU J L, ATTIPOE N Q, KORNEH P B, et al. Detection of bissap calyces and bissap juices adulteration with sorghum leaves using NIR spectroscopy and VIS/NIR spectroscopy[J]. Journal of food composition and analysis, 2025, 141: ID 107358.

[7]
刘燕德, 刘良峰, 李雄, 等. 基于高光谱成像结合波段比和改进分水岭分割算法的草莓早期损伤检测[J]. 中国农业大学学报, 2024, 29(11): 50-62.

LIU Y D, LIU L F, LI X, et al. Detection of early damage on strawberries using hyperspectral reflectance imaging combined with band ratio and improved watershed segmentation algorithm[J]. Journal of China agricultural university, 2024, 29(11): 50-62.

[8]
王偲琦, 黄琳琳, 臧秀, 等. 低场核磁共振无损检测技术在水产品加工贮藏方面的应用[J]. 食品安全质量检测学报, 2018, 9(8): 1725-1729.

WANG S Q, HUANG L L, ZANG X, et al. Application of low field nuclear magnetic technology in aquatic products processing and storage[J]. Journal of food safety & quality, 2018, 9(8): 1725-1729.

[9]
胡军, 吕豪豪, 乔鹏, 等. 基于太赫兹成像检测技术与特征提取方法结合巴旦木饱满度检测方法研究[J]. 光谱学与光谱分析, 2024, 44(7): 1896-1904.

HU J, LYU H H, QIAO P, et al. Research on almond plumpness detection method based on terahertz imaging technology and feature extraction method[J]. Spectroscopy and spectral analysis, 2024, 44(7): 1896-1904.

[10]
徐振, 刘燕德, 胡军, 等. 基于太赫兹时域光谱技术的掺假川贝母检测[J]. 农业工程学报, 2021, 37(15): 308-314.

XU Z, LIU Y D, HU J, et al. Detection of adulterated fritillariae using terahertz time domain spectroscopy[J]. Transactions of the Chinese society of agricultural engineering, 2021, 37(15): 308-314.

[11]
WANG D C, FENG Z, JI S Y, et al. Simultaneous prediction of peach firmness and weight using vibration spectra combined with one-dimensional convolutional neural network[J]. Computers and electronics in agriculture, 2022, 201: ID 107341.

[12]
SUN Y C, YU G, LU Q, et al. An electronic nose device with rapid and universal odor detection capability[J]. Sensors and actuators B: chemical, 2025, 440: ID 137871.

[13]
LI Z G, LIU J X, SI G S, et al. Design of a high-sensitivity differential Helmholtz photoacoustic cell and its application in methane detection[J]. Optics express, 2022, 30(16): 28984-28996.

[14]
CAO Y, LIU K, WANG R F, et al. Three-wavelength measurement of aerosol absorption using a multi-resonator coupled photoacoustic spectrometer[J]. Optics express, 2021, 29(2): 2258-2269.

[15]
ROSENCWAIG A. Photoacoustic spectroscopy of biological materials[J]. Science, 1973, 181(4100): 657-658.

[16]
ROSENCWAIG A. Photoacoustic spectroscopy. New tool for investigation of solids[J]. Analytical chemistry, 1975, 47(6): 592-604.

[17]
ROSENCWAIG A, GERSHO A. Theory of the photoacoustic effect with solids[J]. Journal of applied physics, 1976, 47(1): 64-69.

[18]
SUBBARAYA B H, LAL S. Rocket measurements of ozone concentrations in the stratosphere and mesosphere over Thumba[J]. Proceedings of the Indian academy of sciences-earth and planetary sciences, 1981, 90(2): 173-187.

[19]
KEERATIRAWEE K, HAUSER P C. Photoacoustic detection of ozone with a red laser diode[J]. Talanta, 2021, 223: ID 121890.

[20]
SUN B, WEI T T, ZHANG M J, et al. Optical synchronous signal demodulation-based quartz-enhanced photoacoustic spectroscopy for remote, multi-point methane detection in complex environments[J]. Photoacoustics, 2025, 43: ID 100708.

[21]
VIRENDRA N, SURYA N. Chapter 2-Physics and instrumentation of photothermal and photoacoustic spectroscopy of solids[M]. Amsterdam: Photoacoustic and Photothermal Spectroscopy, Elsevier, 2023: 21-49.

[22]
ZHAO Y, WANG S Q, MERRILL J A, et al. Triplex radiometric, photoacoustic, and ultrasonic imaging based on single-pulse excitation[J]. Optics letters, 2020, 45(7): 1703-1706.

[23]
HOSSEINAEE Z, LE M, BELL K, et al. Towards non-contact photoacoustic imaging review[J]. Photoacoustics, 2020, 20: ID 100207.

[24]
DU J Y, YANG S S, QIAO Y C, et al. Recent progress in near-infrared photoacoustic imaging[J]. Biosensors and bioelectronics, 2021, 191: ID 113478.

[25]
SAMPAOLO A, PATIMISCO P, GIGLIO M, et al. Quartz-enhanced photoacoustic spectroscopy for multi-gas detection: A review[J]. Analytica chimica acta, 2022, 1202: ID 338894.

[26]
张凤, 俞旭君, 董良, 等. 多光谱光声层析成像技术在精索静脉曲张大鼠睾丸成像中的初步探索[J]. 重庆医科大学学报, 2023, 48(10): 1166-1172.

ZHANG F, YU X J, DONG L, et al. Initial exploration of multispectral optoacoustic tomography in imaging of the testes in varicocele rats[J]. Journal of Chongqing medical university, 2023, 48(10): 1166-1172.

[27]
NIKOLIĆ P M, TODOROVIĆ D M. Photoacoustic and electroacoustic properties of semiconductors[J]. Progress in quantum electronics, 1989, 13(2): 107-189.

[28]
ZHA S L, CHEN H, LIU C, et al. Multivariate-coupled-enhanced photoacoustic spectroscopy with Chebyshev rational fractional-order filtering algorithm for trace CH4 detection[J]. Photoacoustics, 2025, 42: ID 100692.

[29]
LAI E P C, WONG B, VANDERNOOT V A. Preservation of solid mercuric dithizonate samples with polyvinyl chloride for determination of mercury(II) in environmental waters by photochromism-induced photoacoustic spectrometry[J]. Talanta, 1993, 40(7): 1097-1105.

[30]
HIRSCHMANN C B, SINISALO S, UOTILA J, et al. Trace gas detection of benzene, toluene, p-, m- and o-xylene with a compact measurement system using cantilever enhanced photoacoustic spectroscopy and optical parametric oscillator[J]. Vibrational spectroscopy, 2013, 68: 170-176.

[31]
NAVAS M J, JIMÉNEZ A M, ASUERO A G. Human biomarkers in breath by photoacoustic spectroscopy[J]. Clinica chimica acta, 2012, 413(15/16): 1171-1178.

[32]
THAKUR S, RAI V, SINGH J. Chapter 3-Physics and techniques of photoacoustic spectroscopy of liquids[M]. Amsterdam: Photoacoustic and Photothermal Spectroscopy, Elsevier, 2023, 51-68.

[33]
张硕. 基于压电技术的固体光声光谱检测[D]. 兰州: 西北师范大学, 2011.

ZHANG S. Solid photoacoustic spectrum detection based on piezoelectric technique[D]. Lanzhou: Northwest Normal University, 2011.

[34]
LYU G Q, DU C W, MA F, et al. In situ detection of rice leaf cuticle responses to nitrogen supplies by depth-profiling Fourier transform photoacoustic spectroscopy[J]. Spectrochimica acta part A, molecular and biomolecular spectroscopy, 2020, 228: ID 117759.

[35]
LIU L Y, WANG Z S, LI J, et al. A non-invasive analysis of seed vigor by infrared thermography[J]. Plants, 2020, 9(6): ID 768.

[36]
卢伟, 张孜谞, 蔡苗苗, 等. 基于光声光谱和TCA迁移学习的稻种活力检测[J]. 农业工程学报, 2020, 36(22): 341-348.

LU W, ZHANG Z X, CAI M M, et al. Detection of rice seeds vigor based on photoacoustic spectrum combined with TCA transfer learning[J]. Transactions of the Chinese society of agricultural engineering, 2020, 36(22): 341-348.

[37]
李欢欢, 卢伟, 杜昌文, 等. 基于光声光谱结合LS-SVR的稻种活力快速无损检测方法研究[J]. 中国激光, 2015, 42(11): 280-289.

LI H H, LU W, DU C W, et al. Study on rapid and non-destructive detection of rice seed vigor based on photoacoustic spectroscopy combined with LS-SVR[J]. Chinese journal of lasers, 2015, 42(11): 280-289.

[38]
王新宇, 牛鹏帅, 卢伟, 等. 基于光声光谱深度扫描的单粒玉米种子发芽率无损检测方法[J]. 华南农业大学学报, 2020, 41(6): 119-125.

WANG X Y, NIU P S, LU W, et al. A nondestructive detection method for single maize seed germination rate based on photoacoustic spectrum deep scanning[J]. Journal of South China agricultural university, 2020, 41(6): 119-125.

[39]
郭振宇, 樊亚杉, 翟保杰, 等. 光声光谱二氧化碳传感的种子活力检测[J]. 光学 精密工程, 2025, 33(3): 367-376.

GUO Z Y, FAN Y S, ZHAI B J, et al. Detection of seed viability by photoacoustic carbon dioxide sensing[J]. Optics and precision engineering, 2025, 33(3): 367-376.

[40]
POPA C, PETRUS M. Heavy metals impact at plants using photoacoustic spectroscopy technology with tunable CO2 laser in the quantification of gaseous molecules[J]. Microchemical journal, 2017, 134: 390-399.

[41]
HUANG Z C, SAITO Y, GAO T Q, et al. A review of fluorescence imaging system supported by excitation-emission matrix for fruit and vegetable quality estimation[J]. Food control, 2025, 169: ID 111040.

[42]
BERGEVIN M, N'SOUKPOÉ-KOSSI C, CHARLEBOIS D, et al. Assessment of strawberry maturity by photoacoustic spectroscopy[J]. Applied spectroscopy, 1995, 49(3): 397-399.

[43]
POPA C, DUMITRAS D C, PATACHIA M, et al. Testing fruit quality by photoacoustic spectroscopy assay[J]. Laser physics, 2014, 24(10): ID 105702.

[44]
ROJAS-MARROQUIN A, LUVIANO L, HERNÁNDEZ-WONG J, et al. Application of photoacoustic spectroscopy and phase-resolved technique to the study of photoprotective pigments in golden delicious apple (Malus domestica)[J]. International journal of thermophysics, 2020, 41(3): ID 32.

[45]
LIMA R J S, VASCONCELOS A S, SUASSUNA J F. Carotenoids and flavonoids identification in Brazilian tropical fruits and vegetables using photoacoustic technique[J]. Journal de physique, 2005, 125: 51-53.

[46]
LOURENÇO NETO M, AGRA K L, SUASSUNA FILHO J, et al. TDDFT calculations and photoacoustic spectroscopy experiments used to identify phenolic acid functional biomolecules in Brazilian tropical fruits in natura[J]. Spectrochimica acta part A: Molecular and biomolecular spectroscopy, 2018, 193: 249-257.

[47]
BARRIENTOS-SOTELO V R, CANO-CASAS R, CRUZ-OREA A, et al. Photoacoustic characterization of green, red and dehydrated Capsicum annuum L. variety pasilla [J]. Food biophysics, 2015, 10(4): 481-486.

[48]
ZENDEJAS-LEAL B E, BARRIENTOS-SOTELO V R, CANO-CASAS R, et al. Photoacoustic monitoring of absorption spectrum during the dehydration process of pasilla chili pepper[J]. International journal of thermophysics, 2018, 39(7): ID 80.

[49]
HERNAACUTE NDEZ A C, DOMIACUTE NGUEZ PACHECO F A, CRUZ OREA A, et al. Optical absorption coefficient of different tortillas by photoacoustic spectroscopy[J]. African journal of biotechnology, 2012, 11(92): 15916-15922.

[50]
DÓKA O, BICANIC D D, DICKO M H, et al. Photoacoustic approach to direct determination of the total phenolic content in red sorghum flours[J]. Journal of agricultural and food chemistry, 2004, 52(8): 2133-2136.

[51]
GORDON S H, SCHUDY R B, WHEELER B C, et al. Identification of Fourier transform infrared photoacoustic spectral features for detection of Aspergillus flavus infection in corn[J]. International journal of food microbiology, 1997, 35(2): 179-186.

[52]
LIU Q, ZHANG W, ZHANG B, et al. Determination of total protein and wet gluten in wheat flour by Fourier transform infrared photoacoustic spectroscopy with multivariate analysis[J]. Journal of food composition and analysis, 2022, 106: ID 104349 .

[53]
HERNANDEZ-AGUILAR C, CRUZ-OREA A, IVANOV R, et al. The optical absorption coefficient of maize seeds investigated by photoacoustic spectroscopy[J]. Food biophysics, 2011, 6(4): 481-486.

[54]
GUPTA V, KUMAR A, GARG G K, et al. Photoacoustic spectroscopy for identification and differential diagnosis of T. INDICA with other seed-borne pathogens of wheat and rice[J]. Instrumentation science & technology, 2001, 29(4): 283-293.

[55]
MOLINA R R, AGUILAR C H, PACHECO A D, et al. Alternative method to characterize corn grain by means of photoacoustic spectroscopy[J]. International journal of thermophysics, 2013, 34(8): 1540-1548.

[56]
RODRÍGUEZ-PÁEZ C L, CARBALLO-CARBALLO A, RICO-MOLINA R, et al. The optical absorption coefficient of maize grains investigated by photoacoustic spectroscopy[J]. International journal of thermophysics, 2016, 38(1): ID 11.

[57]
SANCHEZ-HERNANDEZ G, HERNANDEZ-AGUILAR C, DOMINGUEZ-PACHECO A, et al. The optical absorption coefficient of bean seeds investigated using photoacoustic spectroscopy[J]. International journal of thermophysics, 2015, 36(5): 835-843.

[58]
DOMÍNGUEZ-PACHECO A, HERNÁNDEZ-AGUILAR C, CRUZ-OREA A. Photoacoustic determination of non-radiative relaxation time of absorbing centers in maize seeds[J]. International journal of thermophysics, 2017, 38(7): ID 111.

[59]
PÉREZ REYES M C, HERNANDEZ-AGUILAR C, DOMINGUEZ-PACHECO A, et al. The optical absorption coefficient of barley seeds investigated by photoacoustic spectroscopy and their effects by laser biostimulation[J]. International journal of thermophysics, 2015, 36(9): 2389-2400.

[60]
RICO MOLINA R, HERNÁNDEZ AGUILAR C, DOMINGUEZ PACHECO A, et al. Characterization of maize grains with different pigmentation investigated by photoacoustic spectroscopy[J]. International journal of thermophysics, 2014, 35(9): 1933-1939.

[61]
HERNÁNDEZ AGUILAR C, DOMINGUEZ PACHECO A, CRUZ OREA A, et al. Depth profiles in maize (Zea mays L.) seeds studied by photoacoustic spectroscopy[J]. International journal of thermophysics, 2015, 36: 891-899.

[62]
HERNÁNDEZ AGUILAR C, CARBALLO A C, CRUZ-OREA A, et al. The carotenoid content in seedlings of maize seeds irradiated by a 650 nm diode laser: Qualitative photoacoustic study[J]. The European physical journal special topics, 2008, 153(1): 515-518.

[63]
HERNÁNDEZ AGUILAR C, MEZZALAMA M, LOZANO N, et al. Optical absorption coefficient of laser irradiated wheat seeds determined by photoacoustic spectroscopy[J]. The European physical journal special topics, 2008, 153(1): 519-522.

[64]
HERNÁNDEZ AGUILAR C, DOMINGUEZ PACHECO F A, CRUZ OREA A, et al. Thermal effects of laser irradiation on maize seeds[J]. International agrophysics, 2015, 29(2): 147-156.

[65]
PACHECO A D, AGUILAR C H, OREA A C, et al. Evaluation of wheat and maize seeds by photoacoustic microscopy[J]. International journal of thermophysics, 2009, 30(6): 2036-2043.

[66]
ROJAS-LIMA J E, DOMÍNGUEZ-PACHECO F A, HERNÁNDEZ-AGUILAR C, et al. Kolmogorov-Smirnov test for statistical characterization of photopyroelectric signals obtained from maize seeds[J]. International journal of thermophysics, 2018, 40(1): ID 4.

[67]
MEDINA-PEREZ A, DOMINGUEZ-PACHECO A, HERNANDEZ-AGUILAR C, et al. Thermal imaging using photoacoustic microscopy with different excitation wavelengths[J]. International journal of thermophysics, 2019, 40(2): ID 23.

[68]
SANTOS J G, SILVEIRA L B, OLENKA L, et al. Photoacoustic investigation of copaiba oil[J]. The European physical journal special topics, 2008, 153(1): 523-526.

[69]
LU Y Z, DU C W, YU C B, et al. Determination of nitrogen in rapeseed by Fourier transform infrared photoacoustic spectroscopy and independent component analysis[J]. Analytical letters, 2015, 48(7): 1150-1162.

[70]
LUO H, YANG K Y, JI L L, et al. Photoacoustic spectroscopy combined with integrated learning to identify soybean oil with different frying durations[J]. Sensors, 2023, 23(9): ID 4247.

[71]
BICANIC D, SWARTS J, LUTEROTTI S, et al. Optothermistor as a breakthrough in the quantification of lycopene content of thermally processed tomato-based foods: Verification versus absorption spectrophotometry and high-performance liquid chromatography[J]. Journal of agricultural and food chemistry, 2005, 53(9): 3295-3299.

[72]
DÖKA O, BICANIC D, SZÖLLÖSY L. Rapid and gross screening for Pb3O4 adulterant in ground sweet red paprika by means of photoacoustic spectroscopy[J]. Instrumentation science & technology, 1998, 26(2/3): 203-208.

[73]
LIU L X, WANG Y F, GAO C M, et al. Photoacoustic spectroscopy as a non-destructive tool for quantification of pesticide residue in apple cuticle[J]. International journal of thermophysics, 2015, 36(5): 868-872.

[74]
FIORANI L, ARTUSO F, GIARDINA I, et al. Photoacoustic laser system for food fraud detection[J]. Sensors, 2021, 21(12): ID 4178.

[75]
​​OLIVEIRA V, CAETANO I, MACHADO C, et al. Photoacoustic spectroscopy and multivariate techniques: New applications to simplify the analysis of raw propolis[J]. Microchemical journal, 2023, 194: ID 109309.

[76]
SAMMARCO G, ALINOVI M, FIORANI L, et al. Oregano herb adulteration detection through rapid spectroscopic approaches: fourier transform-near infrared and laser photoacoustic spectroscopy facilities[J]. Journal of food composition and analysis, 2023, 124: ID 105672.

[77]
HERNÁNDEZ AGUILAR C, DOMINGUEZ PACHECO A, VALDERRAMA BRAVO C, et al. Photoacoustic characterization of wheat bread mixed with Moringa oleifera [J]. Current research in food science, 2021, 4: 521-531.

[78]
DIAS R, VALDERRAMA P, MARÇO P, et al. Infrared-photoacoustic spectroscopy and multiproduct multivariate calibration to estimate the proportion of coffee defects in roasted samples[J]. Beverages, 2023, 9(1): ID 21.

[79]
​​SHARIFI F, MOJTABA N, GHASEMI M, et al. Finite element simulation and development of a LED-based photoacoustic spectroscopy system for quality assessment of some food liquids[J]. Innovative food technologies, 2022, 9(4): 383-405.

[80]
SHARIFI F, NADERI-BOLDAJI M, GHASEMI-VARNAMKHASTI M, et al. Feasibility study of detecting some milk adulterations using a LED-based Vis-SWNIR photoacoustic spectroscopy system[J]. Food chemistry, 2023, 424: ID 136411.

[81]
KHOSROSHAHI M E, PATEL Y, WOLL-MORISON V. Non-destructive assessment of milk quality using pulsed UV photoacoustic, fluorescence and near FTIR spectroscopy[J]. Laser physics letters, 2022, 19(7): ID 075602.

[82]
XU R, ADIL M Z, JABEEN S, et al. Recent advancements in chemometrics based non-destructive analytical techniques for rapid detection of adulterants in milk and dairy products: A review[J]. Food control, 2025, 174: ID 111247.

[83]
PATIMISCO P, SAMPAOLO A, DONG L, et al. Recent advances in quartz enhanced photoacoustic sensing[J]. Applied physics reviews, 2018, 5(1): ID 011106.

[84]
YANG X, CHEN B S, LIANG Y Z, et al. A review of laser-spectroscopy-based gas sensing techniques for trace formaldehyde detection[J]. Measurement, 2025, 253: ID 117656.

[85]
ZHANG C, QIAO S D, HE Y, et al. Multi-resonator T-type photoacoustic cell based photoacoustic spectroscopy gas sensor for simultaneous measurement C2H2, CH4 and CO2 [J]. Sensors and actuators B: chemical, 2025, 427: ID 137168.

[86]
MOTA L, RODRIGUES G, MIKLÓS A, et al. Enhanced selectivity and sensitivity of the first harmonic detection in a compact differential photoacoustic cell for sensing ammonia at trace levels[J]. Measurement, 2025, 244: ID 116464.

[87]
FATIMA A, KRATKIEWICZ K, MANWAR R, et al. Review of cost reduction methods in photoacoustic computed tomography[J]. Photoacoustics, 2019, 15: ID 100137.

Options
文章导航

/

〈 〉

  • 国际刊号　ISSN 2097-485X（网络）
    　　　　　ISSN 2096-8094（印刷）
    国内刊号　CN 10-1681/S
    CODEN　 ZNZHD7
    主管：中华人民共和国农业农村部
    主办：中国农业科学院农业信息研究所
  • 地址：北京市海淀区中关村南大街12号中国农业科学院农业信息研究所
    邮编：100081
    电话：010-82109657
    E-mail：smartag@caas.cn
京ICP备09089781号-37