用于检测谷物中霉菌毒素的存在的方法和设备与流程

本发明涉及谷物(cereal)污染。特别地，本发明提供了用于检测谷物中霉菌毒素(mycotoxins)的存在的方法和设备。

背景技术

农业农产品中霉菌毒素、有毒真菌的次级代谢产物的存在是世界范围内的一个主要问题。根据粮食和农业组织(fao)的估计，世界上25％的粮食作物受到产生真菌的霉菌毒素的影响(rasch、kumke&2010年)。食品和饲料生产中最重要的、对公共健康和农业经济构成重大威胁的霉菌毒素包括黄曲霉毒素(aflatoxins)、脱氧雪腐镰刀菌烯醇(deoxynivalenol，don)、赭曲霉毒素a(ochratoxina)、伏马菌素(fumonisin)、玉米赤霉烯酮(zearalenone)、展青霉素(patulin)和t-2毒素(miller，1995年；traar，2013年)。

don是最普遍的霉菌毒素之一并且最主要由霉菌镰刀菌属(fusarium)禾谷镰刀菌(graminearum)和镰刀菌属黄色镰刀菌(culmorum)产生。它经常出现在谷物农产品上，比如小麦、玉米、大麦、燕麦和黑麦，这些谷物农产品可以在收获之前或收获之后被感染(sobrova等人，2010年)。此外，由于don在食品加工(比如烹饪、冷冻和烘烤)过程中不会被破坏，因此它在原料和加工产品中都会出现。摄入被don污染的产品会引起急性和慢性健康影响，诸如腹泻、恶心、免疫抑制(immunosuppression)和神经毒性(neurotoxicity)(abysique、tardivel、troadec&félix，2015年；pestka，2007年)。don的检测是食品工业中的重要问题，因为它存在于超过90％的所有受霉菌毒素污染的谷物样品中，并且它的出现被认为是其它霉菌毒素存在的指示(ran等人，2013年)

don是玉米的重要污染物(pleadin等人，2012年)并且玉米是许多国家的主食。目前，世界上大多数地区严格限制食品和饲料产品中don的存在。关于原料玉米籽粒(kernel)，欧盟委员会规定允许的最大don浓度为1750ppb，而在美国和中国，强制要求don的浓度限制为1000ppb(欧盟委员会，2007年)。为了满足这些限制，现在主要通过使用化学分析来检测don的存在，比如液相色谱-串联质谱(lc-ms/ms)和酶联免疫吸附测定(elisa)。但是，这些分析技术耗时、昂贵且具有破坏性(ran等人，2013年)。由于食品和作物中毒素的存在不均匀，因此这些基于样品的分析通常对污染的程度给出有限的观点。本发明的一个目的是提供一种非破坏性光谱方法，该方法能够用于筛选易于被非荧光霉菌毒素污染的个体谷物籽粒和其它食品。

光谱检测技术已广泛用在农业和化学工业中，用于确定物质中的有机化合物，比如蛋白质、水分、淀粉和色素(baye、pearson&settles，2006年；k.c.volkers，m.wachendorf，r.loges，n.j.jovanovic，2003年；meulebroeck&thienpont，2012年)。迄今为止，对将光谱检测技术应用于识别don有很高的兴趣。使用傅里叶变换近红外和中红外(ft-nir和ft-mir)光谱来检测小麦和玉米中的don已经被广泛讨论(2007年；degirolamo、cervellieri、visconti&pascale，2014年；kos，lohninger&krska，2003年)。但是，目前公布的测量使用均匀污染的研磨样品并且需要使用化学计量学(chemometric)将样品分类为样品的各种污染水平。本发明的一个目的是提供一种光谱方法，该方法能够测量未研磨的个体谷物籽粒(诸如玉米籽粒)中的局部污染。此外，由于傅里叶变换光谱的振动灵敏性，傅里叶变换光谱很难在工业环境中实现。

技术实现要素：

根据本发明，提供了一种用于检测谷物中霉菌毒素的存在的方法，该方法包括：

捕获谷物谷粒集合的至少一个漫射光吸收光谱；

捕获来自谷物谷粒集合中的至少一个个体谷物谷粒的至少一个漫射光吸收光谱；

通过对谷物谷粒集合的至少一个漫射光吸收光谱和至少一个个体谷物谷粒的至少一个漫射光吸收光谱执行多变量数据分析，对至少一个谷物谷粒中的霉菌毒素污染的水平进行分类。

优选地，使用积分球来捕获每个漫射光吸收光谱。优选地，使用比用于捕获谷物谷粒集合的每个漫射光吸收光谱的积分球小的积分球来捕获个体谷物谷粒的漫射光吸收光谱。优选地，通过照射位于积分球的中心的谷物谷粒集合来捕获谷物谷粒集合的漫射光吸收光谱或每个漫射光吸收光谱。优选地，通过照射在积分球的样品端口的孔的前面的谷物谷粒来捕获个体谷物谷粒的漫射光吸收光谱或每个漫射光吸收光谱。

优选地，捕获个体谷物谷粒的至少一个漫射光吸收光谱的步骤包括通过照射谷物谷粒的多个区域来捕获多个漫射光吸收光谱。

在一个实施例中，对至少一个谷物谷粒中的霉菌毒素污染水平进行分类的步骤包括计算第一选定波长处的反射率与第二选定波长处的反射率之间的比率；以及基于计算出的比率对至少一个谷物谷粒中的霉菌毒素污染水平进行分类。优选地，选定波长在700nm至1500nm的波长范围内。在替代实施例中，可以基于多于两个选定波长处的反射率来计算比率。

在另一个实施例中，对至少一个谷物谷粒中的霉菌毒素污染水平进行分类的步骤使用化学计量学技术。可以使用诸如主成分分析的化学计量学方法来分类个体谷物谷粒中的霉菌毒素污染水平。化学计量学方法是需要其中使用化学计量学方法的机器的大算术能力的先进技术。

该方法还可以包括如果捕获多个漫射光吸收光谱则计算谷物谷粒集合的平均漫射光吸收光谱，并且其中对至少一个谷物谷粒中的霉菌毒素污染水平进行分类的步骤包括对平均光谱执行多变量数据分析。

该方法还可以包括如果捕获谷物谷粒的多个漫射光吸收光谱则计算至少一个谷物谷粒的平均漫射光吸收光谱，并且其中对至少一个谷物谷粒中的霉菌毒素污染水平进行分类的步骤包括对平均光谱执行多变量数据分析。

捕获的每个漫射光吸收光谱可以是nir漫射光吸收光谱。替代地，捕获的每个漫射光吸收光谱可以是可见光和nir漫射光吸收光谱。

对至少一个谷物谷粒中的霉菌毒素污染水平进行分类可以包括将至少一个捕获的光谱与未污染谷粒的光谱进行比较并识别光谱之间的差异。对至少一个谷物谷粒中的霉菌毒素污染水平进行分类可以包括将至少一种捕获的光谱与至少一个未污染谷粒的多于一个光谱进行比较并识别光谱之间的差异。该方法还可以包括从谷粒光谱的数据库中获得未污染谷粒的光谱。该方法还可以包括通过将至少一个捕获的光谱与数据库中的多个样品光谱进行比较以找到最佳拟合来识别谷物谷粒集合的谷物类型。

替代地，该方法还可以包括从用户输入识别谷物类型。

本发明还提供了一种计算机可读介质，计算机可读介质包含程序指令，当处理器执行该程序指令时，使处理器执行上述方法。

本发明还提供了一种用于检测谷物中霉菌毒素的存在的设备，包括：

用于捕获谷物谷粒集合的至少一个漫射光吸收光谱的装置；

用于捕获来自谷物谷粒集合中的至少一个个体谷物谷粒的至少一个漫射光吸收光谱的装置；以及

用于通过对谷物谷粒集合的至少一个漫射光吸收光谱和至少一个个体谷物谷粒的至少一个漫射光吸收光谱执行多变量数据分析来对至少一个谷物谷粒中的霉菌毒素污染水平进行分类的装置。

优选地，用于捕获漫射光吸收光谱的每个装置包括积分球。优选地，用于捕获个体谷物谷粒的至少一个漫射光吸收光谱的装置包括比用于捕获谷物谷粒集合的每个漫射光吸收光谱的积分球小的积分球。

优选地，该设备还包括用于通过照射谷物谷粒的多个区域来捕获多个漫射光吸收光谱的装置。用于捕获至少一个漫射光吸收光谱的装置可以包括用于捕获至少一个nir漫射光吸收光谱的装置。用于捕获至少一个漫射光吸收光谱的装置可以包括用于捕获至少一个uv、可见光和nir漫射光吸收光谱的装置。

用于对至少一个谷物谷粒中的霉菌毒素污染水平进行分类的装置可以包括用于将至少一个捕获的光谱与未污染谷粒的光谱进行比较的装置和用于识别光谱之间的差异的装置。

该设备还可以包括用于从谷粒光谱的数据库中获得未污染谷粒的光谱的装置。

该设备还可以包括用于通过将至少一个捕获的光谱与数据库中的多个样品光谱进行比较以找到最佳拟合来识别谷物谷粒集合的谷物类型的装置。该设备还可以包括用于从用户输入识别谷物类型的装置。

本发明适用于任何类型的谷物，包括但不限于：小麦、玉米、大麦、燕麦和黑麦。在食品中，霉菌毒素与若干种物质(比如蛋白质)结合。这些结合影响食品的反射光谱，因此，可以通过测量霉菌毒素污染对食品基质的影响来间接观察霉菌毒素污染。食品内的霉菌毒素污染越高，霉菌毒素污染对基质的影响越大，并且霉菌毒素污染对产品的反射光谱的影响也越大。

当光源照射样品时，取决于样品的化学成分和物理特性，入射光线将被吸收、透射和反射。为了光学识别霉菌毒素污染，本发明利用漫射光吸收光谱法来研究产品的与散射无关的反射特性。这可以通过使用积分球来实现，该积分球收集所有的反射光而与反射角无关。

通过使用积分球，收集所有散射光和反射光(因此直接(镜面)反射作为漫反射)。当光束照射样品时，光将被散射、透射、反射和吸收。只有被样品吸收的光才不会被检测器收集。积分球允许测量由样品吸收的入射光的量。因此，可以检测在与谷粒相互作用之后重新透射的光信号，已经在照明点(其中将发生直接和漫反射)处穿透的光被散射和以其它方式与产品相互作用并且然后从在照明点附近但不是在照明点处的谷粒重新发射。

在第一步骤中，可以使用其中能够定位不同谷物籽粒的大积分球，使得能够识别最佳波长区域。此外，当考虑未分类的污染样品时，这种设置使得能够快速测量大量谷物籽粒，从而允许对样品进行粗略的预分类。在第二步骤中，可以利用较小的积分球研究个体谷物籽粒的反射光谱，以根据籽粒的局部污染水平对籽粒进行分类。

本发明使用漫射光吸收光谱法作为非破坏性光学检测技术，用于识别固体谷物籽粒中诸如don的霉菌毒素。本发明的结果能够实现快速、准确和非破坏性地检测诸如don的霉菌毒素，该检测适合在工业串联扫描机中实现。由于霉菌毒素污染不均匀，因此监测个体谷物籽粒污染的能力对于提高食品安全性和减少经济损失是必不可少的。

附图说明

将仅通过示例的方式，参考附图描述本发明的实施例，附图中：

图1示出了根据本发明的一个实施例的用于检测谷物中的霉菌毒素的设备的第一部分。

图2示出了根据本发明的一个实施例的用于检测谷物中的霉菌毒素的设备的第二部分。

图3示出了用250mm反射积分球测量的测试玉米籽粒和参考don污染玉米粉末的平均反射光谱：(a)vis-nir光谱；(b)示出低污染玉米籽粒和高污染玉米籽粒之间的最大光谱对比度的nir波长范围。

图4示出了用250mm反射积分球测量的测试样品和参考样品之间的光谱差异：(a)低污染玉米籽粒和高污染玉米籽粒之间的对比度；(b)940nm和830nm处的反射率的比率；(c)1220nm和830nm处的反射率的比率。

图5示出了用30mm反射积分球测量的测试玉米样品和参考玉米样品的平均反射光谱。

图6示出了用30mm反射积分球测量的测试样品和参考样品的反射率之间的比较：(a)940nm和830nm处的反射率的比率；(b)1220nm和830nm处的反射率的比率。

图7示出了基于250mm反射积分球配置的玉米批次(batch)的分类：(a)反射率比率；(b)选定培养皿(petridishes)的平均光谱。

图8示出了在用第一阶段测量配置进行预分类之后，用30mm反射积分球测量的低污染玉米样品和高污染玉米样品的反射率比率的比较：(a)940nm和830nm处的反射率的比率；(b)1220nm和830nm处的反射率的比率。

具体实施方式

图1中示出了根据本发明的一个实施例的用于检测谷物中的霉菌毒素的设备。图1中所示的设备有利于两阶段测量过程。两个阶段都测量漫射光吸收光谱，但使用不同类型的积分球。第一阶段使用较大的反射积分球，从而允许快速筛选谷物籽粒集合，而第二阶段使用较小的反射积分球，从而使得能够测量个体籽粒。例如，较大的积分球可以具有25cm的直径，而较小的积分球可以具有6cm的直径。当然其它尺寸组合是可以的。

第一阶段测量设置被用于捕获谷物谷粒集合的至少一个漫射光吸收光谱。图1中的第一阶段包括超连续谱光源1、较大的反射积分球2、光纤3、4和光谱分析仪5。谷物籽粒6的集合可以定位在球内部。籽粒可以包含在培养皿中或以其它方式被包含。球2的外部包含不同的端口，照明光源和检测光纤能够连接到这些端口。优选明亮的光源以减小测量持续时间，同时获得大的信噪比。用于照射被测样品的光源可以是带尾纤的超连续谱源。反射的光被检测光纤4捕获。当积分球中不存在样品时，在照明光漫反射到球内部的反射涂层上之后，照明光将几乎完全被检测光纤收集。

当样品被插入球中时，捕获的光将受到样品的吸光度(absorbance)的影响，并且因此也受到样品的特定成分的影响。考虑具有谷物的培养皿，籽粒的几乎整个表面都被照射，由于低污染区域和高污染区域的反射光谱都被捕获，从而导致测量它们的平均污染水平。随后，检测光纤将从积分球捕获的光引导到光谱分析仪，光谱分析仪测量随波长变化的光强度。光谱分析仪可以是宽带光谱分析仪，由两个具有线性检测器阵列的不同通道组成，从而使得能够同时测量可见光和nir光谱。第一通道可以能够测量200nm和1100nm之间的光谱，其中分辨率为1.4nm。第二通道可以能够测量1000nm和1700nm之间的光谱，其中分辨率为4nm。可以使用软件使光谱可视化。

在每次测量之前，可以捕获暗光谱和参考光谱。参考光谱表示光源光谱，并且可以在测量空培养皿时获得。暗光谱将背景光可视化，并且在没有照明源的情况下捕获光谱时获得。可以多次捕获每个谷物培养皿的反射光谱，之后可以计算平均光谱。

基于谷物籽粒的反射光强度(icereal)、暗光谱的强度(idark)和参考光谱的强度(ireference)，针对每个波长(λ)的反射率(reflectance)可以通过使用以下公式来计算：

reflectance(λ)＝(icereal^(λ)-idark^(λ))/(ireference^(λ)-idark^(λ))(1)

由于该第一阶段设置允许测量累积的污染，因此低污染谷物样品和高污染谷物样品之间的反射差异增加，从而准确地确定光谱对比度。

第二阶段测量设置用于通过使用紧凑的积分球来测量个体谷物籽粒的反射率。图2示出了根据本发明的一个实施例的第二阶段测量设置，其允许使用紧凑的积分球7来研究个体谷物籽粒。该设备包括光谱宽带光源8、光纤9、10、准直透镜、小反射积分球7和光谱分析仪11。但是，样品12现在不能定位在球内部，而是需要定位在样品端口的孔的前面。该孔限制了谷物籽粒表面的照射区域，并使得能够研究谷物籽粒表面的局部污染。积分球的外部包含两个连接器，照明光纤和检测光纤能够连接在这两个连接器处。由于该积分球小于第一阶段设置中使用的积分球，因此可以降低照明功率，从而允许使用氘和卤素灯泡而不是高功率超连续谱源。发射从200nm至2500nm的光的带尾纤的氘和卤素源的组合显示出比超连续谱源更稳定的光谱，并且使得能够研究uv光谱区域。带尾纤的氘和卤素源光纤的末端处的光耦合到照明光纤中，该光纤连接到积分球。为了将该耦合过程中的光损失最小化，将准直透镜附接到照明光纤，从而透射从200nm至2500nm的光。在对样品进行照明之后，所有反射光被积分球捕获，从而允许进行定量分析。随后，反射的光被检测光纤收集，检测光纤将该光引导到光谱分析仪。使用与第一阶段配置相同的两通道光谱分析仪，从而测量从200nm至1700nm的光谱。

使用等式(1)计算反射率。在测量谷物籽粒之前，可以确定参考光谱和暗光谱。当将99.9％反射片(tile)定位在积分球的孔处时，可以测量与源光谱对应的参考光谱。暗光谱测量在积分球的顶部上没有样品的情况下由检测光纤捕获的光强度。在暗测量和参考测量之后，可以捕获个体谷物籽粒的反射光谱。可以在多个位置处照射每个谷物籽粒。为了避免背景光进入球的孔，所有测量都可以在暗环境中进行。

图3示出了用250mm反射积分球测量的测试玉米籽粒和参考don污染玉米粉末的平均反射光谱：(a)vis-nir光谱；(b)示出低污染玉米籽粒和高污染玉米籽粒之间的最大光谱对比度的nir波长范围。

图4示出了用250mm反射积分球测量的测试样品和参考样品之间的光谱差异：(a)低污染玉米籽粒和高污染玉米籽粒之间的对比度；(b)940nm和830nm处的反射率的比率；(c)1220nm和830nm处的反射率的比率。

图4示出了940nm和830nm处的反射率的比率和1220nm和830nm处的反射率的比率，以可视化低污染样品和高污染样品之间的光谱对比度。如图4a所示，能够在低污染玉米样品和高污染玉米样品之间产生明显的偏差。此外，当考虑参考don污染玉米粉末时，获得高得多的反射率比率，即，对于940nm和830nm处的反射率的比率为1.004±0.002，并且对于1220nm和830nm处的反射率的比率为0.985±0.004(图4a，图4b)。通常，能够观察到较高的污染水平产生较高的反射率比率。由于玉米粉末的较高的、均匀的污染，低污染的玉米籽粒与don污染的玉米粉末相比显示出比与高污染的玉米籽粒相比更大的对比度。

在下一步骤中，研究了用30mm反射积分球测量的个体低污染玉米籽粒和高污染玉米籽粒的反射光谱。每个样品在不同位置处照射，从而允许监测局部污染差异。考虑平均反射率，测试的玉米批次和参考don污染玉米粉末在nir区域再次显示出类似的反射最大值，如图5所示。图5示出了用30mm反射积分球测量的测试玉米样品和参考玉米样品的平均反射光谱。为了评估样品之间的局部污染和光谱学对比度，计算830nm、940nm和1220nm处的反射率的比率。

图6示出了用30mm反射积分球测量的测试样品和参考样品的反射率比率之间的比较：(a)940nm和830nm处的反射率的比率；(b)1220nm和830nm处的反射率的比率。

考虑反射率比率，能够在图6中识别低污染样品和高污染样品之间的对比度。高污染区域仍然显示出最高的反射率比率。但是，与第一阶段测量相比，反射率比率显示出大得多的变化和不太明显的对比度。这种较大的变化是由样品的局部污染引起的。受污染的玉米籽粒大多不显示出均匀的污染，从而导致针对各种照明点的不同测量比率。对于940nm和830nm处的反射率的比率和1220nm和830nm处的反射率的比率分别为1.002±0.018和0.849±0.062的参考don污染粉末的平均比率位于受污染的玉米籽粒的反射率比率之间。显示出1388ppb的平均污染水平的高污染玉米籽粒能够在局部显示出更高的污染。高污染玉米籽粒能够例如包含具有大于1840ppb污染水平的小区域，而玉米的另一部分未被污染。因此，为了避免存在高局部污染区域，应该研究局部污染水平，而不是玉米籽粒的平均污染。当测量玉米籽粒集合的平均污染时，玉米籽粒上的健康区域将降低平均污染水平，即使存在高污染的玉米籽粒。为了避免这些高污染的玉米籽粒进入食物供应链，扫描个体玉米籽粒是必不可少的。

为了定量比较两种测量设置的性能并评估两种反射率比率的差异能力，可以计算类别差异。类别差异(d)是针对两个产品组的平均值(μ)之间的差异的测量，其中考虑了标准偏差(σ)和测量样本量(n)(downie&health，1970年)：

低污染玉米籽粒和高污染玉米籽粒之间的光谱差异越大，类别差异越大(表1)。因此，利用250mm反射积分球的测量显示出比利用30mm反射积分球的测量更大的类别差异。但是，当考虑平均反射率比率时，我们可以观察到30mm反射积分球也能够清楚地区分低don污染水平和高don污染水平。其较低的类别差异是由于不同的局部污染水平引起的其较大的变化导致。比较两种反射率比率的类别差异，可以观察到两个比率都显示出相当的性能。通常，可以得出结论：在830nm、940nm和1220nm处的反射率使得能够区分低don污染玉米籽粒和高don污染玉米籽粒。

表1：针对两种测量配置的两种反射率比率的类别差异。

为了验证上述漫反射测量设置的分类能力，本发明的方法用于将受污染的玉米批次分类为低污染子样品和高污染子样品。为了获得高效的分类，我们首先用第一阶段测量配置执行粗略的预分类。具体而言，我们用250mm反射积分球测量了50个玉米培养皿(每个玉米培养皿包括15个玉米籽粒)并且计算它们的反射率比率。图7示出了基于250mm反射积分球配置的污染玉米批次的分类：(a)反射率比率；(b)选定培养皿的平均光谱。具有最高比率的培养皿被分类为高污染，具有最低比率的培养皿被分类为低污染(由图7a中的黑色和绿色圆圈指示)。在该分类过程期间未考虑具有中间比率的培养皿，以最大化所获得的低污染子样品和高污染子样品之间的对比度。考虑选定玉米培养皿的平均光谱，能够观察到与法式(french)低污染样品和高污染样品类似的光谱差异(图7b)。

接下来，我们使用30mm反射积分球测量选定玉米培养皿的个体玉米籽粒。研究测得的反射率比率，最高比率对应于选定高污染培养皿的玉米籽粒。图8示出了在用第一阶段测量配置进行预分类之后，用30mm反射积分球测量的低污染玉米样品和高污染玉米样品的反射率比率的比较：(a)940nm和830nm处的反射率的比率；(b)1220nm和830nm处的反射率的比率。此外，与对测试玉米批次的先前测量一样，两种反射率比率显示出类似的分类性能。但是，观察到低污染玉米培养皿和高污染玉米培养皿的反射率比率的大的变化。当第一阶段测量配置显示出高反射率比率时，这指示存在一个或多个高污染玉米籽粒。因为250mm反射积分球测量玉米培养皿的平均反射率，因此在高污染分类培养皿中仍然能够存在不同的健康或低污染的玉米籽粒。此外，同样，在低污染培养皿中，仍然可能存在局部高污染区域，只要它们不显著影响平均光谱即可。因此，这强调了基于局部污染测量的第二分类步骤的重要性。

为了获得受污染的玉米批次的最终的低污染子样品和高污染子样品，我们基于它们的局部反射率比率对选定玉米培养皿的玉米籽粒进行分类。考虑选定的高污染培养皿，当至少一个照明点显示出极高的反射率比率(940nm和830nm处的反射率的比率高于1.03，或者1220nm和830nm处的反射率的比率高于0.80)或者当三个或更多个照明点显示出高的反射率比率(940nm和830nm处的反射率的比率高于1.00，或者1220nm和830nm处的反射率的比率高于0.75)时，玉米籽粒被归类为高污染。如果所有五个测量点都给出低反射率比率(940nm和830nm处的反射率的比率低于0.99，或者1220nm和830nm处的反射率的比率低于0.70)，则玉米籽粒被认为是低污染的。在应用这种分类技术之后，获得两个子样品，每个子样品100g，这两个子样品通过coda-cerva(比利时霉菌毒素参考实验室)进行化学分析。执行的lc-ms/ms分析表明，高污染子样品的don污染为18184ppb，而对于低污染样品获得的don污染为654ppb。因此，基于830nm、940nm和1220nm处的反射率值，这些污染水平验证了我们的分类技术。

在分别具有先验已知的150ppb和1388ppb的don浓度的低天然污染谷物样品和高天然污染谷物样品上测试本发明的方法。研究反射率光谱，可以在两个测量阶段都观察到700nm和1400nm之间的光学对比度。基于在830nm、940nm和1220nm处的反射率，可以定义光学检测标准。该检测标准首先通过测量参考don污染玉米粉末来验证。其次，该检测标准被用于成功地分离在低污染子样本和高污染子样本中具有先验未知don浓度的污染的批次，这些子样本的随后的化学分析表明don浓度分别为645ppb和18184ppb。因为检测标准使用商业上可获得的激光线，因此该结果为在收获之后可立即使用而无需预处理或研磨谷物的超快速、基于激光的光学检测铺平了道路。

上述测量结果清楚地表明使用漫反射光谱法作为识别玉米籽粒中的don的有前景的检测技术。此外，nir激光线、光学滤波器和敏感检测器的商业可用性使其可以集成到实际系统中。与当前基于样品的化学分析对比，本发明的光学分类技术提供了超快速和非破坏性的替代方案，该方案不需要对谷物进行任何预处理或研磨。

由于玉米籽粒集合的平均污染水平通常会对局部污染水平给出错误的解释，因此对个体玉米籽粒进行局部筛选是有益的。

当词语“包括”和词语“具有/包含”在本文中参考本发明使用时，用于指定所述特征、整数、步骤或组件的存在，但不排除一个或多个其它特征、整数、步骤、组件或其组的存在或附加。

应该认识到的是，为了清楚起见，在单独的实施例的上下文中描述的本发明的某些特征也可以在单个实施例中组合提供。相反地，为了简洁起见，在单个实施例的上下文中描述的本发明的各种特征也可以单独提供或以任何合适的子组合提供。