NIR hấp dẫn trong sản xuất vì tốc độ đo nhanh và ít phá hủy mẫu. Nhưng phía sau một kết quả tức thời là cả một hệ thống hiệu chuẩn và xác nhận cần được xây dựng cẩn thận.
NIR phù hợp với kiểm soát nhanh nguyên liệu
Phổ cận hồng ngoại có thể thu nhận thông tin hóa học nhanh và ít phá hủy mẫu. Trong kiểm soát nguyên liệu cà phê hòa tan, ưu điểm này cho phép kiểm tra nhiều mẫu hơn so với chỉ dựa vào phân tích hóa học chậm. Tuy nhiên, NIR không tự tạo ra kết quả định lượng nếu không có mô hình tham chiếu.
Bộ mẫu xây dựng mô hình phải được phân tích bằng phương pháp tham chiếu đáng tin cậy. Mô hình thực chất học mối quan hệ giữa phổ và giá trị tham chiếu, vì vậy chất lượng dữ liệu đầu vào quyết định chất lượng mô hình.
Phổ NIR chứa tín hiệu chồng lấn
Tín hiệu NIR liên quan đến các liên kết của nước, carbohydrate, lipid, protein và nhiều nhóm chức khác. Các dải hấp thụ thường chồng lấn nên không thể đọc trực tiếp như một phổ có đỉnh riêng cho từng chất.
Điều này giải thích vì sao tiền xử lý và mô hình toán học là phần cốt lõi của phương pháp. Một mô hình tốt phải tách được tín hiệu liên quan đến thuộc tính cần dự đoán khỏi biến động vật lý của mẫu.
Bộ mẫu hiệu chuẩn phải bao phủ biến động thực tế
Nếu bộ mẫu chỉ gồm nguyên liệu đồng nhất, mô hình có thể cho kết quả đẹp trong phòng thí nghiệm nhưng kém khi gặp mẫu mới. Cần đưa vào các biến động thực tế như nguồn, giống, mức rang, độ ẩm và điều kiện bảo quản.
Mỗi mẫu cần có kết quả tham chiếu đáng tin cậy. Việc tăng số lượng mẫu không tự động cải thiện mô hình nếu các mẫu mới chỉ lặp lại cùng một vùng dữ liệu.
Tiền xử lý có thể thay đổi khả năng phân loại
Các phép chuẩn hóa, hiệu chỉnh tán xạ và đạo hàm có thể làm giảm biến động không mong muốn. Nghiên cứu năm 2026 về ảnh phổ NIR cho phát hiện Robusta pha vào Arabica cho thấy lựa chọn tiền xử lý phù hợp có thể cải thiện đáng kể khả năng phân loại.
Tuy nhiên, không nên chọn tiền xử lý chỉ vì nó cho kết quả cao nhất trên tập huấn luyện. Cần đánh giá trên dữ liệu độc lập và giữ quy trình lựa chọn minh bạch.
Phân loại khác với định lượng
Nếu mục tiêu là dự đoán một tỷ lệ hoặc hàm lượng, đó là bài toán hồi quy. Nếu mục tiêu là xác định mẫu đạt hay không đạt, đó là bài toán phân loại. Hai loại mô hình cần chỉ tiêu đánh giá khác nhau.
Một mô hình phân loại tốt không đồng nghĩa nó định lượng tốt. Khi đưa NIR vào kiểm soát nguyên liệu, mục tiêu quyết định phải được xác định trước để chọn mô hình và ngưỡng phù hợp.
Mẫu bất thường cần được xác nhận
NIR có thể chỉ ra mẫu nằm ngoài vùng mô hình hoặc có dự đoán bất thường. Điều đó không tự chứng minh nguyên liệu có gian lận hay hỏng. Mẫu cảnh báo nên được chuyển sang phương pháp tham chiếu để tìm nguyên nhân.
Cách dùng này tạo một hệ thống hai tầng: NIR để sàng lọc nhanh và phương pháp hóa học để xác nhận. Nó vừa tận dụng tốc độ vừa hạn chế nguy cơ kết luận quá mức.
NIR có thể rút ngắn thời gian kiểm soát nguyên liệu, nhưng độ tin cậy phụ thuộc trực tiếp vào chất lượng bộ mẫu hiệu chuẩn và cơ chế duy trì mô hình.
Một vấn đề thường gặp của NIR là sự khác biệt giữa thiết bị và điều kiện đo. Hai máy có thể tạo phổ hơi khác nhau dù đo cùng mẫu. Nếu mô hình được xây dựng trên một thiết bị rồi dùng trực tiếp trên thiết bị khác, sai lệch có thể xuất hiện.
Do đó, cần có mẫu kiểm tra chung và quy trình hiệu chuẩn chéo khi triển khai nhiều điểm. Mẫu kiểm tra nên bao phủ vùng giá trị quan trọng, không chỉ một mẫu trung bình.
NIR cũng nên có quy tắc xử lý mẫu nằm ngoài vùng mô hình. Một kết quả tự động nhưng độ tin cậy thấp không nên được dùng để quyết định nhập nguyên liệu. Chuyển mẫu sang phương pháp tham chiếu trong trường hợp này giúp giữ an toàn cho hệ thống kiểm soát.
Khi mô hình NIR được dùng lâu dài, cần theo dõi độ lệch giữa kết quả dự đoán và phương pháp tham chiếu. Nếu sai lệch tăng theo thời gian, có thể xuất hiện thay đổi về nguyên liệu hoặc thiết bị mà mô hình chưa được học. Đây là lý do mẫu tham chiếu định kỳ rất quan trọng. Việc cập nhật mô hình cũng nên dựa trên dữ liệu có chất lượng, tránh đưa những mẫu có kết quả tham chiếu không chắc chắn vào tập hiệu chuẩn.
Khi dùng NIR cho nguyên liệu, nên lưu cả phổ gốc cùng kết quả dự đoán và kết quả tham chiếu của những mẫu được kiểm tra. Dữ liệu này tạo thành hồ sơ để đánh giá mô hình theo thời gian. Nếu chỉ lưu giá trị cuối, rất khó truy nguyên khi mô hình bắt đầu suy giảm.
Tài liệu tham khảo
- Malavi, Raes & Van Haute, Food Control, 2026, hyperspectral imaging and chemometrics for Robusta adulteration.
- Tài liệu nghiên cứu về NIR và xác thực cà phê bằng phổ.
NIR is appealing in production because of fast measurement and minimal sample destruction. But behind an instant result lies a whole calibration and validation system that needs careful building.
NIR suits rapid raw-material control
Near-infrared spectroscopy can capture chemical information quickly with little sample destruction. In instant-coffee raw-material control, this advantage allows checking more samples than relying on slow chemical analysis alone. However, NIR doesn't produce quantitative results on its own.
The sample set used to build the model must be analyzed by a reliable reference method. The model essentially learns the relationship between spectrum and reference value, so input-data quality determines model quality.
NIR spectra contain overlapping signals
NIR signal relates to bonds in water, carbohydrates, lipids, protein, and many other functional groups. Absorption bands usually overlap, so you can't read it directly like a spectrum with a separate peak for each substance.
This explains why preprocessing and mathematical modeling are the core of the method. A good model must separate the signal relevant to the predicted attribute from the sample's physical variation.
The calibration sample set must cover real variation
If the sample set only includes homogeneous raw material, the model can give beautiful lab results but perform poorly on new samples. You need to include real variation such as source, variety, roast level, moisture, and storage conditions.
Each sample needs a reliable reference result. Increasing the number of samples doesn't automatically improve the model if the new samples just repeat the same data region.
Preprocessing can change classification ability
Normalization, scatter correction, and derivatives can reduce unwanted variation. A 2026 study on NIR hyperspectral imaging for detecting Robusta blended into Arabica showed suitable preprocessing selection can significantly improve classification ability.
However, you shouldn't choose preprocessing just because it gives the highest result on the training set. It needs evaluating on independent data with a transparent selection procedure.
Classification differs from quantification
If the goal is predicting a ratio or content, that's a regression problem. If the goal is determining whether a sample passes or fails, that's a classification problem. The two model types need different evaluation criteria.
A good classification model doesn't mean it quantifies well. When bringing NIR into raw-material control, the decision goal must be defined in advance to choose a suitable model and threshold.
Abnormal samples need confirmation
NIR can flag samples outside the model region or with abnormal predictions. That doesn't itself prove the raw material is fraudulent or spoiled. Flagged samples should be moved to a reference method to find the cause.
This usage creates a two-tier system: NIR for rapid screening and chemical methods for confirmation. It leverages speed while limiting the risk of overreaching conclusions.
NIR can shorten raw-material control time, but reliability depends directly on calibration-sample-set quality and the mechanism for maintaining the model.
A common NIR issue is differences between instruments and measurement conditions. Two machines can produce slightly different spectra even measuring the same sample. If a model is built on one instrument and used directly on another, deviation can appear. So reference samples are needed.
When an NIR model is used long-term, you need to track the deviation between predictions and the reference method. If the deviation increases over time, there may be a change in raw material or equipment the model hasn't learned. This is why periodic reference samples matter greatly.
When using NIR for raw material, you should store the raw spectra alongside prediction results and reference results for checked samples. This data forms a record for evaluating the model over time. If only the final value is stored, it's very hard to trace back when the model starts degrading.
References
- Malavi, Raes & Van Haute, Food Control, 2026, hyperspectral imaging and chemometrics for Robusta adulteration.
- Research literature on NIR and coffee authentication using spectroscopy.