基于近紅外光譜的橄欖油品質(zhì)鑒別方法研究

劉國海，韓蔚強(qiáng)，江 輝

江蘇大學(xué)電氣信息工程學(xué)院，江蘇 鎮(zhèn)江 212013

基于近紅外光譜的橄欖油品質(zhì)鑒別方法研究

劉國海，韓蔚強(qiáng)，江 輝

江蘇大學(xué)電氣信息工程學(xué)院，江蘇 鎮(zhèn)江 212013

目前市面上銷售的橄欖油主要分為特級初榨橄欖油和普通初榨橄欖油兩類，為了鑒別兩種不同品質(zhì)的橄欖油，提出了一種應(yīng)用siPLS-IRIV-PCA算法的橄欖油品質(zhì)鑒別的新方法?；陂蠙煊偷慕t外光譜數(shù)據(jù)，應(yīng)用聯(lián)合區(qū)間偏最小二乘法(siPLS)對橄欖油的近紅外光譜進(jìn)行了波長區(qū)間優(yōu)選，使用交叉驗(yàn)證均方根誤差(RMSECV)評估模型的性能并選擇最優(yōu)波長區(qū)間，通過迭代保留信息變量(IRIV)算法從最優(yōu)波長區(qū)間中選擇特征波長，根據(jù)選擇的特征波長構(gòu)建主成分分析(PCA)模型。對90組特級初榨橄欖油和90組普通橄欖油樣本進(jìn)行了判別鑒定。PCA將1 427個(gè)波長變量作為輸入變量，前兩個(gè)主成分貢獻(xiàn)率為51.891 8%和26.473 2%；siPLS-PCA將408個(gè)波長變量作為輸入變量，前兩個(gè)主成分貢獻(xiàn)率為56.039 1%和36.235 5%；siPLS-IRIV-PCA將6個(gè)波長變量作為輸入變量，前兩個(gè)主成分貢獻(xiàn)率為66.347 6%和32.304 3%。結(jié)果表明，與PCA和siPLS-PCA鑒別方法相比，siPLS-IRIV-PCA具有最佳的鑒別性能。

近紅外光譜；橄欖油；聯(lián)合區(qū)間偏最小二乘法；迭代保留信息變量；主成分分析

引 言

橄欖油是由新鮮的油橄欖果實(shí)直接冷榨而成的，不經(jīng)加熱和化學(xué)處理，保留了天然營養(yǎng)成分。

目前市面上銷售的橄欖油主要分為特級初榨橄欖油和普通橄欖油兩類。一些學(xué)者基于近紅外光譜運(yùn)用一些方法對橄欖油做了一些研究[1-2]。文獻(xiàn)[1]在采集的光譜數(shù)據(jù)上用判別分析對橄欖油進(jìn)行了品質(zhì)鑒別；有研究在采集的光譜數(shù)據(jù)上建立高斯混合模型對橄欖油進(jìn)行了品質(zhì)鑒別。文獻(xiàn)[2]在采集的光譜數(shù)據(jù)上選擇特征波長，在特征波長上建立LDA和SIMCA模型對橄欖油進(jìn)行了品質(zhì)鑒別。

運(yùn)用siPLS[3-6]對橄欖油的近紅外光譜進(jìn)行了波長區(qū)間優(yōu)選，然后通過IRIV再次對波長區(qū)間優(yōu)選出特征波長，接著利用PCA對90組特級初榨橄欖油和90組普通橄欖油進(jìn)行了分類。

1 實(shí)驗(yàn)部分

1.1 樣品制備

歐麗薇蘭特級初榨橄欖油、歐麗薇蘭普通橄欖油，均購于超市。

取特級初榨橄欖油90份樣本，取普通橄欖油90份樣本，每份樣本均為0.8 mL。

1.2 近紅外光譜采集與光譜預(yù)處理

取上述樣品0.8 mL于比色皿，用ANTARIS Ⅱ近紅外光譜儀進(jìn)行光譜采集，掃描范圍4 000～10 000 cm-1，分辨率4 cm-1，每個(gè)樣品重復(fù)測定3次后取平均值。實(shí)驗(yàn)溫度26°，特級初榨橄欖油與普通橄欖油原始光譜如圖1。由于樣品光譜曲線在尾部有較大噪聲, 選10 001.03～4 501.041cm-1波段的光譜用于分析，一共1 427個(gè)波長變量。選用的光譜需要進(jìn)行光譜預(yù)處理來消除噪聲，采用標(biāo)準(zhǔn)正態(tài)變量校正(SNV)預(yù)處理方法。去除尾部噪聲并SNV預(yù)處理后的光譜圖如圖2所示。

圖1 原始光譜

圖2 去除尾部噪聲并SNV預(yù)處理后的光譜圖

1.3 IRIV方法

迭代保留信息變量(IRIV)方法[7]由云永歡、王為婷等人提出。光譜數(shù)據(jù)矩陣中樣本數(shù)為行，波長變量數(shù)為列。設(shè)置一個(gè)判別變量，1～90位設(shè)為1，代表特級初榨橄欖油；91～180位設(shè)為2，代表普通橄欖油。運(yùn)用偏最小二乘法作為IRIV的多元校正方法，其中特級初榨橄欖油樣本前72個(gè)樣本作為訓(xùn)練集，后18個(gè)樣本作為驗(yàn)證集；普通橄欖油前72個(gè)樣本作為訓(xùn)練集，后18個(gè)樣本作為驗(yàn)證集。IRIV方法流程圖如圖3。

圖3 IRIV方法流程圖

1.4 軟件

所有的算法都是在Window7 64位系統(tǒng)下用MATLAB7.0實(shí)現(xiàn)。ANTARIS Ⅱ近紅外光譜儀進(jìn)行光譜數(shù)據(jù)采集。一些常用的算法是由N?rgaard L等[8-9]開發(fā)。

2 結(jié)果與討論

2.1 siPLS模型建立

光譜預(yù)處理后運(yùn)用siPLS進(jìn)行波長區(qū)間優(yōu)選。同樣設(shè)置一個(gè)判別變量，1～90位設(shè)為1，代表特級初榨橄欖油；91～180位設(shè)為2，代表普通橄欖油。采用交叉驗(yàn)證均方根誤差(RMSECV)評估模型的性能并選擇最優(yōu)波長區(qū)間。最優(yōu)波長區(qū)間如圖4所示。表1為光譜區(qū)間數(shù)10～25對應(yīng)的siPLS模型RMSECV值。我們選擇7 251.035～6 861.484，6 464.22～6 074.67，5 283.999～4 501.041 cm-1波長區(qū)間，一共408個(gè)波長變量。

圖4 siPLS選擇最優(yōu)波長區(qū)間

表1 波長區(qū)間對應(yīng)RMSECV值(10～25)

2.2 PCA鑒別模型建立

近紅外光譜儀采集的光譜去除尾部噪聲后，將10 001.03～4 501.041 cm-1波段的光譜預(yù)處理后作為PCA的輸入變量。

結(jié)合圖5與表2可知，主成分1和主成分2累計(jì)貢獻(xiàn)率為78.365%，選擇了1 427個(gè)波長變量，特級初榨橄欖油樣本和普通橄欖油樣本重疊嚴(yán)重，樣本點(diǎn)分布松散，聚集度不高。由此可知，將1 427個(gè)波長變量全部作為輸入變量，不僅加大了計(jì)算量，而且很難區(qū)分兩種橄欖油樣本。

圖5 主成分得分圖

2.3 siPLS-PCA鑒別模型建立

通過siPLS進(jìn)行波長區(qū)間優(yōu)選，選擇7 251.035～6 861.484，6 464.22～6 074.67，5 283.999～4 501.041 cm-1波數(shù)區(qū)間，一共408個(gè)波數(shù)變量作為PCA的輸入變量。

主成分得分圖見圖6。結(jié)合圖6與表2可知，特級初榨橄欖油，普通橄欖油明顯區(qū)分在圖像兩邊，主成分一主成分2累計(jì)貢獻(xiàn)率為92.274 6%，選擇了408個(gè)波長變量，可以初步區(qū)分特級初榨橄欖油和普通橄欖油，樣本點(diǎn)較密集。但將408個(gè)波長變量作為輸入變量，計(jì)算量仍然較大，且主成分1和主成分2累計(jì)貢獻(xiàn)率不高。

2.4 siPLS-IRIV-PCA鑒別模型建立

運(yùn)用siPLS選擇最優(yōu)波數(shù)區(qū)間，通過IRIV對最優(yōu)波數(shù)區(qū)間內(nèi)波數(shù)進(jìn)行優(yōu)選，從408個(gè)波數(shù)中提取了6個(gè)特征波數(shù)，為7 073.616，7 023.476，6 379.368，6 267.517，4 890.591，4 836.594 cm-1。

圖6 主成分得分圖

將提取的6個(gè)特征波數(shù)作為PCA的輸入變量，主成分得分圖見圖7。由圖7與表2可知，特級初榨橄欖油聚集于圖7左上方，普通橄欖油聚集于圖7右下方，主成分1和主成分2累計(jì)貢獻(xiàn)率達(dá)到98.651 9%，特級初榨橄欖油和普通橄欖油各自的樣本點(diǎn)分布更加密集，聚集度高，可以明顯區(qū)分兩種不同品質(zhì)橄欖油。說明運(yùn)用siPLS-IRIV-PCA可以大大降低波數(shù)變量個(gè)數(shù)，明顯區(qū)分兩種不同品質(zhì)橄欖油。

圖7 主成分得分圖

PCA，siPLS-PCA，siPLS-IRIV-PCA三種模型波數(shù)變量、主成分貢獻(xiàn)率比較如表2所示。siPLS-IRIV-PCA主成分1和主成分2累計(jì)貢獻(xiàn)率最高，同時(shí)選擇的變量數(shù)最少，結(jié)合圖7表明siPLS-IRIV-PCA具有最佳的鑒別性能。

表2 不同模型波數(shù)變量、主成分貢獻(xiàn)率比較

3 結(jié) 論

通過分析近紅外光譜數(shù)據(jù)，運(yùn)用PCA，siPLS-PCA，siPLS-IRIV-PCA方法，建立了特級初榨橄欖油與普通橄欖油的鑒別模型。結(jié)果表明，siPLS-IRIV-PCA對特級初榨橄欖油與普通橄欖油鑒別效果最好，為橄欖油品質(zhì)鑒別提供了一種全新的方法。

[1] Sun Xiaodan, Li Xinhui, Shi Weimin, et al.Journal of Pingdingshan University, 2015, (5): 57.

[2] Sinelli N, Casale M, Di E V, et al.Food Research International, 2010, 43: 2126.

[3] Hui Jiang, Guohai Liu, Congli Mei, et al.Anal.Bioanal.Chem., 2012, 404: 603.

[4] Jiang Hui, Liu Guohai, Mei Congli, et al.Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2012, 97: 277.

[5] GUO Zhi-ming, ZHAO Jie-wen, CHEN Quan-sheng, et al(郭志明, 趙杰文, 陳全勝, 等).Optics and Precision Engineering(光學(xué)精密工程), 2009, 17(8): 1839.

[6] LIN Fen-fang, CHEN Zhu-lu, WANG Ke, et al(林芬芳, 陳祝爐, 王 珂, 等).Journal of Infrared and Millimeter Waves(紅外與毫米波學(xué)報(bào)), 2009, 28(4): 277.

[7] Yong-Huan Yun, Wei-Ting Wang, Min-Li Tan, et al.Analytica Chimica Acta, 2014, 807: 36.

[8] Nφrgaard L, Saudland A, Wagner J, et al.Appl.Spectrosc., 2000, 54: 413.

[9] Leardi R, Nφrgaard L.J.Chemometric, 2004, 18: 486.

(Received Jun.19, 2015; accepted Nov.3, 2015)

Study on Quality Identification of Olive Oil Based on Near Infrared Spectra

LIU Guo-hai，HAN Wei-qiang，JIANG Hui

School of Electrical and Information Engineering，Jiangsu University，Zhenjiang 212013，China

Currently on the market, the sale of olive oil is mainly divided into extra virgin olive oil and common virgin olive oil.In order to identify the qualities of two different olive oils, a new method to identify the quality of olive oil with siPLS-IRIV-PCA algorithm is developed.Based on the near infrared spectral data of olive oil, the efficient spectral subintervals are selected with a synergy interval partial least squares (siPLS).The performance of the model is evaluated by using the root mean square error of cross-validation (RMSECV).The characteristic wavelengths are selected from the efficient spectral subintervals by iteratively retains informative variables (IRIV) algorithm.Principal component analysis (PCA) model is constructed based on the selected characteristic wavelengths.The samples of 90 groups of extra virgin olive oil and 90 groups of common olive oil are identified.PCA uses 1 427 wavelength variables as input variables and the contribution rates of the first two principal components are 51.891 8% and 26.473 2% respectively.siPLS-PCA uses 408 wavelength variables as input variables and the contribution rates of the first two principal components are 56.039 1% and 36.2355%.siPLS-IRIV-PCA uses 6 wavelength variables as input variables and the contribution rates of the first two principal components are 66.347 6% and 32.3043%.The result shows that, compared with PCA and siPLS-PCA, siPLS-IRIV-PCA has the best identification performance.The method is simple and convenient and has a high identification degree which offers a new approach to identify the quality of olive oil.

Near infrared spectroscopy; Olive oil; siPLS; IRIV; PCA

2015-06-19，

2015-11-03

國家自然科學(xué)基金項(xiàng)目(31271875)，江蘇省自然科學(xué)青年基金項(xiàng)目(BK20140538)和中國博士后科學(xué)基金項(xiàng)目(2014M550273)資助

劉國海，1964年生，江蘇大學(xué)電氣信息工程學(xué)院教授 e-mail：ghliu@ujs.edu.cn

O657.3

A

10.3964/j.issn.1000-0593(2016)09-2798-04