應(yīng)用近紅外光譜分析判別芝麻油摻偽的研究

梁 丹

（武漢職業(yè)技術(shù)學(xué)院電信學(xué)院，武漢 430074）

·食品分析·

應(yīng)用近紅外光譜分析判別芝麻油摻偽的研究

梁 丹*

（武漢職業(yè)技術(shù)學(xué)院電信學(xué)院，武漢 430074）

研究了應(yīng)用近紅外光譜分析技術(shù)快速、準(zhǔn)確判別芝麻油有無摻偽的方法。主要利用近紅外光譜和主成分分析結(jié)合BP人工神經(jīng)網(wǎng)絡(luò)法進行了純芝麻油、純大豆油、摻有大豆油的摻偽芝麻油的判別研究。試驗結(jié)果表明，利用BP人工神經(jīng)網(wǎng)絡(luò)法將83個校正集樣品的10個主成分?jǐn)?shù)據(jù)作為BP網(wǎng)絡(luò)輸入變量，建立的三層BP人工神經(jīng)網(wǎng)絡(luò)判別模型對26個測試集樣品的判別率為96.15%，表明近紅外光譜分析方法對純芝麻油、純大豆油、摻偽芝麻油具有很好的判別分類作用，該方法能有效判別芝麻油有無摻偽大豆油。

芝麻油；大豆油；摻偽芝麻油；近紅外光譜；BP人工神經(jīng)網(wǎng)絡(luò)法

植物油因其種類不同、營養(yǎng)價值不同，價格差異很大。一些生產(chǎn)經(jīng)營者為了獲取暴利，在高價植物油中摻入廉價的植物油，還有的廠家將非食用油或過期變質(zhì)油品摻入合格油中以次充好。如一些廠家在芝麻油中摻入菜籽油、棉籽油、大豆油等廉價油，卻以純芝麻油的價格賣出，甚至還有一些不法生產(chǎn)者在食用油中摻入非食用的礦物油、桐油、大麻油等。摻偽植物油不僅影響植物油的衛(wèi)生品質(zhì)和營養(yǎng)成分，而且還嚴(yán)重危害消費者的健康。因此探索出一種能快速、準(zhǔn)確、在線判別摻偽植物油的方法成為了當(dāng)務(wù)之急。本文針對摻偽芝麻油現(xiàn)象，研究了利用近紅外光譜分析技術(shù)快速、準(zhǔn)確判別摻偽芝麻油的有效方法。

近紅外光譜分析技術(shù)具有分析快速快、分析效率高、無污染、無需預(yù)處理、無樣品損傷、在線檢測等優(yōu)點，利用近紅外及相關(guān)技術(shù)定量分析農(nóng)產(chǎn)品及食品的成分、定性鑒別農(nóng)產(chǎn)品及食品的種類、定性鑒別農(nóng)產(chǎn)品及食品真?zhèn)魏彤a(chǎn)地等的研究也已有一些成果。但應(yīng)用近紅外光譜分析技術(shù)判別摻偽植物油的分析研究并不多，且由于近紅外區(qū)吸收的光譜強度弱、靈敏度較低及噪音等因素影響，要使用近紅外光譜技術(shù)對摻偽芝麻油進行準(zhǔn)確的判別，需要選擇最優(yōu)的預(yù)處理方法和相匹配最優(yōu)的建模方法。因此本文采用主成分分析結(jié)合BP人工神經(jīng)網(wǎng)絡(luò)法建立摻偽芝麻油的定性分析模型。

1 材料與方法

1.1 試驗方案及試驗材料

因市場上經(jīng)常有在純芝麻油中添加低廉的大豆油的做法，所以試驗的植物油分成三大類，一類是價格較貴的純芝麻油，一類是價格相對低廉的純大豆油，還有一類就是兩者的摻混油。

試驗植物油油樣共計109個，其中純芝麻油樣品28個、純大豆油18個、芝麻油和大豆油的摻混油樣品63個（其中芝麻油和大豆油質(zhì)量比為1∶3的混合油21個，質(zhì)量比為1∶1的混合油21個、質(zhì)量比為3∶1的混合油21個）。

1.2 試驗儀器及軟件

試驗采用Bruker VECTOR 33N型FT-NIR近紅外光譜儀，配置漫反射鍍金積分球、Pbs檢測器、樣品旋轉(zhuǎn)器、12 mm石英樣品池，OPUS軟件；MATLAB R2007a。

1.3 試驗方法

根據(jù)儀器及樣品特點，采用透反射進行樣品的光譜采集。測量時油樣放入該石英樣品杯中，然后再將此樣品杯放入樣品池中，蓋上鍍金的樣品池蓋（標(biāo)準(zhǔn)漫反射體）。為保證所有樣品光譜采集條件的一致性，測量時油樣均取2 mL，從而盡量保證樣品杯中樣品測量高度的一致。測定時，設(shè)定儀器分辨率為8 cm-1，掃描次數(shù)為64，光譜范圍是10 000 cm-1～4 000 cm-1。光譜分析采用主成分分析結(jié)合BP人工神經(jīng)網(wǎng)絡(luò)法。

2 試驗結(jié)果與分析

2.1 近紅外圖譜分析

測得的純芝麻油、純大豆油以及芝麻大豆摻混油的近紅外光譜如圖1所示。從圖1可以看出，這109個樣品油中，只有2條樣品油的光譜顯示出與其他光譜存在較大差異，其他的107個樣品油的光在整個光譜區(qū)很相似。由于植物油的原始圖譜相似度很高，因而此次2條樣品油顯示出的差異可能是由于儀器測量條件等的差異所致，因此對摻偽芝麻油的判別分析同樣需要利用化學(xué)計量學(xué)方法將原始光譜進行數(shù)學(xué)處理，才可能突出樣品之間化學(xué)成分的細小差異，從而達到判別芝麻油有無摻偽的目的。

圖1 植物油樣品原始光譜圖

2.2 主成分分析

對109個樣品進行主成分分析，前10個主成分的特征值及累計可信度如表1所示。

表1 前10個主成分及累計可信度

從表1可以看出，前10個主成分的累計可信度已經(jīng)達到99.95%，因此選取前10個主成分來表示原始可見-近紅外光譜的主要信息。試驗比較了不同主成分組合的二維得分圖，發(fā)現(xiàn)以PC1為橫坐標(biāo)和PC5為縱坐標(biāo)的二維得分圖（圖2）對純芝麻油、純大豆油、摻混油這3類植物油有一定的聚類作用。

從圖2可以看出，純芝麻油主要聚集在第四象限；芝麻油和大豆油質(zhì)量比分別為1：3、1：1、3：1的混合油主要集中在第二、第三象限的靠中間的區(qū)域，且按照芝麻油和大豆油的摻對比例的變化由第二象限過渡到第三象限，顯示出一定的規(guī)律，而大部分大豆油主要聚集在第一象限上方，但有一小部分大豆油又分布在摻混油的周圍。這說明主成分分析方法對28個純芝麻油的聚合度較好，可利用光譜的主成分分析判別出純芝麻油，但主成分分析不能完全分辨純大豆油和摻混油。為此，在主成分分析的基礎(chǔ)上，將結(jié)合BP人工神經(jīng)網(wǎng)絡(luò)方法建立判別分析模型。

圖2 主成分1和主成分5的二維得分圖

2.3 判別芝麻油純正度的定性分析模型的建立

采用BP算法的前饋神經(jīng)網(wǎng)絡(luò)能夠?qū)崿F(xiàn)輸入與輸出之間的高度非線性映射。因此該方法對光譜數(shù)據(jù)進行主成分分析的基礎(chǔ)上，把主成分作為輸入建立一個三層的BP網(wǎng)絡(luò)模型，用于鑒別芝麻油有無摻偽現(xiàn)象。所有數(shù)據(jù)都是借助Matlab中的圖形用戶接口GUI（Graphical User Interfaces） 進行神經(jīng)網(wǎng)絡(luò)設(shè)計與分析。

109個樣品油中，隨機選擇83個樣品（純芝麻油21個，純大豆油14個，摻混油48個） 組成校正集，其余26個樣品（純芝麻油7個，純大豆油4個，摻混油15個）為測試集。將83個校正集樣品的10個主成分得分值作為模型的輸入，輸出節(jié)點數(shù)設(shè)為3（因為有3類輸出結(jié)果，“001”代表純芝麻油、“100”代表純大豆油、“010”代表摻混油），隱含層的傳遞函數(shù)采用雙曲正切S型傳遞函數(shù)tan sig，輸出層采用S型對數(shù)函數(shù)，隱含層節(jié)點為18，選用訓(xùn)練函數(shù) TRAINLM、學(xué)習(xí)函數(shù)LEARNGOM，設(shè)定最小均方誤差為0.001，訓(xùn)練次數(shù)為500，進行網(wǎng)絡(luò)的訓(xùn)練。所設(shè)計的用于判別摻偽芝麻油的BP神經(jīng)網(wǎng)絡(luò)，訓(xùn)練10步就達到設(shè)定的誤差要求。

將26個驗證集樣品作為測試集輸入模型，得到檢驗結(jié)果，見表2。說明26個驗證集樣品中只有編號為11的1個樣品的真實值和預(yù)測值不同，其余的25個樣品判別準(zhǔn)確。結(jié)果表明模型對于樣品油的判別率為96.15%。表明所建主成分分析結(jié)合三層BP人工神經(jīng)網(wǎng)絡(luò)模型能有效判別出純芝麻油、純大豆油、芝麻大豆摻混油，即能有效判別出相對高價的芝麻油中有無摻混廉價大豆油。

表2 判別結(jié)果

3 結(jié)論

通過試驗獲得了純芝麻油、純大豆油以及不同比例芝麻大豆摻混油的光譜特征曲線，利用這些光譜信息采用主成分分析結(jié)合BP人工神經(jīng)網(wǎng)絡(luò)法建立了摻偽芝麻油的判別分析模型，結(jié)果表明主成分分析結(jié)合BP人工神經(jīng)網(wǎng)絡(luò)法建立的模型預(yù)測效果良好，對純芝麻油、純大豆油、摻混油的鑒別分類率達到96.15%。說明主成分分析結(jié)合BP人工神經(jīng)網(wǎng)絡(luò)法可提取植物油近紅外光譜信息中的微弱差異，表明該方法用于鑒別摻偽芝麻油是可行的，試驗結(jié)果為摻偽植物油快速準(zhǔn)確鑒別檢測提供了一種有效的方法。

［1］李昌.食用油摻假檢測方法概述［J］.農(nóng)產(chǎn)品安全，2007（7）：31-35.

［2］陸婉珍，袁洪福，徐廣通.現(xiàn)代近紅外光譜分析技術(shù)［M］.北京：中國石化出版社，2006.

［3］嚴(yán)衍祿，趙龍蓮，韓東海，等.近紅外光譜分析基礎(chǔ)與應(yīng)用［M］.北京：中國輕工業(yè)出版社，2005.

［4］韓東海，魯超，劉毅.純牛奶、還原奶、摻假奶、牛奶新鮮度的近紅外檢測［J］.中國供銷商情：乳業(yè)導(dǎo)刊，2006（4）：39-41.

［5］何勇，李曉麗，邵詠妮.基于主成分分析和神經(jīng)網(wǎng)絡(luò)的近紅外光譜蘋果品種鑒別方法研究［J］.光譜學(xué)與光譜分析，2006，26（5）：850-853.

［6］吳桂芳，蔣益虹，王艷艷，等.基于獨立主成分和BP神經(jīng)網(wǎng)絡(luò)的干紅葡萄酒品種的鑒別［J］.光譜學(xué)與光譜分析，2009，29（5）：1 268-1 271.

［7］劉福莉，陳華才，姜禮儀，等.近紅外透射光譜聚類分析快速鑒別食用油種類［J］.中國計量學(xué)院學(xué)報，2008，19（3）：278-282.

［8］李娟，范璐，鄧德文，等.近紅外光譜法主成分分析6種植物油脂的研究［J］.河南工業(yè)大學(xué)學(xué)報：自然科學(xué)版，2008，29（5）：18-21.

［9］飛思科技產(chǎn)品研發(fā)中心著.小波分析理論與MATLAB7實現(xiàn)［M］.北京：電子工業(yè)出版社，2005：29-47.

Research on detection of adulteration of edible sesame oils by near infrared spectroscopy

LIANGDan*
（College ofTelecommunication，Wuhan Institute ofTechnology，Wuhan 430074，China）

Rapid detection of adulterated sesame oil by Near Infrared Spectroscopic（NIR）method was studied.NIR Spectra and Principal Component Analysis（PCA）were combined with Back-propagation（BP）Neutral Network to detect the pure sesame oil，pure soybean oil，and sesame oil adulterated with half of soybean oil.The experiments showed that the ten principal components in 83 Calibration Sample Sets were applied as BP inputs.The discriminate rate by using the established BP Neutral Network of 26 sample sets was 96.15%.The near infrared spectroscopic method played a good role in the detection of pure sesame oil，pure soybean oil，and sesame oil adulterated with soybean oil，and offered a effective approach tothe discrimination ofpure and adulterated virgin sesame oil.

sesame oil；soybean oil；adulterated sesame oil；near infrared spectroscopy；BP neutral network

TS225.1+1

A

1673-6004（2011）02-0040-04

*梁丹，女，1982年出生，2009年畢業(yè)于華中農(nóng)業(yè)大學(xué)農(nóng)業(yè)機械化工程專業(yè)，講師。

2011-05-17