为了帮助人们快捷检测食品健康问题，光谱分析技术已经实现与智能手机的融合诞生了面向普通民众的高光谱应用，借助于嵌入到智能手机里的光谱仪，实时获取通过手机快速检测果蔬食品安全信息。

任何物质都具有能量，产生独有的光波，因此不同的物质反射的光波也不尽相同，这就好像是与生俱来的身份证，是辨别物质简单，准确的方式。通常人眼可看见的光波被称为可见光，波长一般在390纳米到780纳米之间，而这台被称为短波红外高光谱仪能够分辨2500纳米的光谱，是人眼完全看不到的部分，但借助这束光波就能够让我们有一双看透一切物质的眼睛。不同材质的东西，它的光谱曲线也不一样，科研人员就是通过这个原理，来进行食品新鲜度的检测。

什么豆芽是不是用药水泡过的，市场里的肉新不新鲜，甚至是葡萄的含糖量都能“嗖”一下就透视出来。实际上，这种光谱透视眼不仅能看透食材的优劣，还能分辨红酒的纯度，未来甚至还能预测果蔬的病虫害。

从近红外光谱可以得到分子中含氢基团的振动光谱的大量信息，已成功地应用于定量分析。然而，近红外光谱（NIR）严重重叠，需用化学计量学的方法，建立多元回归的定量模型进行分析和预测。偏小二乘法（PLS）是近红外光谱分析中使用多和效果好的方法。PLS 通过因子分析将光谱（多维空间数据，维数相当于波长数目）压缩为低维空间数据，将原近红外复杂光谱分解为多种成分的单一光谱，并去除干扰组分和干扰因素的影响，仅选用有用的组分参与官能团定量关系的回归。因此，PLS 既能将原光谱数据映射为信息量非常集中的少数潜变量，又能选出和应变量相关性大的潜变量，作为主成分建立模型。

目前， 近红外光谱技术用于啤酒检测主要测定啤酒中的酒精度、原麦汁浓度、总酸及糖度，具有较好的精度，可以替代常规的理化分析方法。运用不同的化学计量学方法建立多元线性回归、逐步回归分析、主成分分析、主成分回归、偏小二乘法、神经网络方法的近红外光谱定性或定量校正模型，通过所建立的校正模型，实现对未知样品的定性或者定量分析， 在相同的啤酒酒精度的检测中，神经网络模型的预测精度优于逐步回归分析，逐步回归分析优于多元线性回归，偏小二乘法差。由于近红外光谱技术具有实时、快速的特点，易于实现生产过程质量的在线控制，具有广泛的应用前景。